tensorboardX是为解决pytorch框架可视化训练问题的，不过据说目前pytorch已经支持使用tensorboard进行可视化了。

TensorboardX可以提供中很多的可视化方式，本文主要介绍scalar 和 graph，这在深度网络调试时主要使用的，一个用于显示训练情况，一个用于显示网络结构。

使用TensorboardX

首先，需要创建一个 SummaryWriter 的示例：

from tensorboardX import SummaryWriter

# Creates writer1 object.
# The log will be saved in 'runs/exp'
writer1 = SummaryWriter('runs/exp')

# Creates writer2 object with auto generated file name
# The log directory will be something like 'runs/Aug20-17-20-33'
writer2 = SummaryWriter()

# Creates writer3 object with auto generated file name, the comment will be appended to the filename.
# The log directory will be something like 'runs/Aug20-17-20-33-resnet'
writer3 = SummaryWriter(comment='resnet')

 以上展示了三种初始化 SummaryWriter 的方法：

1）提供一个路径，将使用该路径来保存日志
2）无参数，默认将使用 runs/日期时间 路径来保存日志
3）提供一个 comment 参数，将使用 runs/日期时间-comment 路径来保存日志
一般来讲，我们对于每次实验新建一个路径不同的 SummaryWriter，也叫一个 run，如 runs/exp1、runs/exp2。

接下来，我们就可以调用 SummaryWriter 实例的各种 add_something 方法向日志中写入不同类型的数据了。想要在浏览器中查看可视化这些数据，只要在命令行中开启 tensorboard 即可：

tensorboard --logdir=<your_log_dir>

其中的 <your_log_dir> 既可以是单个 run 的路径，如上面 writer1 生成的 runs/exp；也可以是多个 run 的父目录，如 runs/ 下面可能会有很多的子文件夹，每个文件夹都代表了一次实验，我们令 --logdir=runs/ 就可以在 tensorboard 可视化界面中方便地横向比较 runs/ 下不同次实验所得数据的差异。

添加数据

1）标量(scalar)

使用 add_scalar 方法来记录数字常量。

add_scalar(tag, scalar_value, global_step=None, walltime=None)

参数

• tag (string):：数据名称，不同名称的数据使用不同曲线展示
• scalar_value (float)： 数字常量值
• global_step (int, optional)： 训练的 step
• walltime (float, optional)： 记录发生的时间，默认为 time.time()

需要注意，这里的 scalar_value 一定是 float 类型，如果是 PyTorch scalar tensor，则需要调用 .item() 方法获取其数值。我们一般会使用 add_scalar 方法来记录训练过程的 loss、accuracy、learning rate 等数值的变化，直观地监控训练过程。

Example

from tensorboardX import SummaryWriter
writer = SummaryWriter('runs/scalar_example')
for i in range(10):
    writer.add_scalar('quadratic', i**2, global_step=i)
    writer.add_scalar('exponential', 2**i, global_step=i)

这里，我们在一个路径为 runs/scalar_example 的 run 中分别写入了二次函数数据 quadratic 和指数函数数据 exponential，在浏览器可视化界面中效果如下：

writer = SummaryWriter('runs/another_scalar_example')
for i in range(10):
    writer.add_scalar('quadratic', i**3, global_step=i)
    writer.add_scalar('exponential', 3**i, global_step=i)

 接下来我们在另一个路径为 runs/another_scalar_example 的 run 中写入名称相同但参数不同的二次函数和指数函数数据，可视化效果如下。我们发现相同名称的量值被放在了同一张图表中展示，方便进行对比观察。同时，我们还可以在屏幕左侧的 runs 栏选择要查看哪些 run 的数据。如下图所示：

 

2）运行图 (graph) 

使用 add_graph 方法来可视化一个神经网络：

add_graph(model, input_to_model=None, verbose=False, **kwargs)

参数

• model (torch.nn.Module): 待可视化的网络模型
• input_to_model (torch.Tensor or list of torch.Tensor, optional): 待输入神经网络的变量或一组变量（即神经网络的输入）

该方法可以可视化神经网络模型，TensorboardX 给出了一个官方样例大家可以尝试。样例运行效果如下：

一些tips

• tensorboard 有缓存，如果进行了一些 runs 文件夹的删除操作，最好重启 tensorboard，以避免无效数据干扰展示效果。
• 如果执行 add 操作后没有实时在网页可视化界面看到效果，试试重启 tensorboard。

参看博客：https://blog.csdn.net/bigbennyguo/article/details/87956434 

 

一些操作实例

方便理解tensorboardX的具体使用过程

1）Graph：

运行结果

 

点击Net1部分可以将其网络展开，查看网络内部构造，如下图所示。其他部分可以继续展开查看详情。 

2）实现线性回归的训练过程中的loss可视化和模型的保存 

打开tensorboard可视化结果如下：

模型可视化：

 

损失可视化：

 

3）综合Demo 

本Demo代码为TensorboardX提供的官方Demo代码。

可视化结果如下：

 参考博客：https://www.jianshu.com/p/46eb3004beca