pytorch使用tensorboardX进行loss可视化实例
最近pytorch出了visdom，也没有怎么去研究它，主要是觉得tensorboardX已经够用，而且用起来也十分的简单
pipinstalltensorboardX
然后在代码里导入
fromtensorboardXimportSummaryWriter
然后声明一下自己将loss写到哪个路径下面
writer=SummaryWriter('./log')
然后就可以愉快的写loss到你得这个writer了
niter=epoch*len(train_loader)+i
writer.add_scalars(args.result_path+'Train_val_loss',{args.result_path+'train_loss':loss.data.item()},niter)
其中，add_scalars是将不同得变量添加到同一个图下，图的名称是add_scalars得第一个变量
然后为这个图中不同得曲线添加不同得标题，上面这一行代码
writer.add_scalars(args.result_path+'Train_val_loss',{args.result_path+'train_loss':loss.data.item()},niter)
后面得dict中得key是曲线的名称，后面的value是对应得append的值，再后面得niter是x坐标，这句话得意思就相当于，对于图名称为args.result_path+'Train_val_loss'的图，对曲线名称为args.result_path+'train_loss'添加新的点，这个点为（niter,loss.data.item()）
同样的，我可以画出val的loss
niter=epoch*len(train_loader)+i
writer.add_scalars(args.result_path+'Train_val_loss',{args.result_path+'val_loss':mean_loss},niter)
writer保存到了我们刚刚声明的路径'./log‘下面，然后终端启动tensorboard
tensorboard--logdir./log--port8890
不会用得进行tensorboard--help即可
然后进行端口映射就行了
实际上在使用的过程中，我发现了，如果你要保存的结果在各个子文件夹内，然后你在父文件夹运行tensorboard，就可以在浏览器看到各种结果，而不必再进行不同的端口映射
比如上面这个，我的resnet文件夹下有不同的我writer写入的文件，在父目录下启动tensorboard之后，
没毛病！
补充拓展：pytorch产生loss的计算图代码
废话不多说，直接上代码
importtorch.nnasnn importtorch.nn.functionalasF classNet(nn.Module): def__init__(self): super(Net,self).__init__() self.conv1=nn.Conv2d(1,6,5) self.conv2=nn.Conv2d(6,16,5) self.fc1=nn.Linear(16*5*5,120) self.fc2=nn.Linear(120,84) self.fc3=nn.Linear(84,10) defforward(self,x): x=F.max_pool2d(F.relu(self.conv1(x)),(2,2)) x=F.max_pool2d(F.relu(self.conv2(x)),2) x=x.view(x.size()[0],-1) print(x) x=F.relu(self.fc1(x)) x=F.relu(self.fc2(x)) x=self.fc3(x) returnx net=Net() #params=list(net.parameters()) #forname,parametersinnet.named_parameters(): #print(name,':',parameters.size()) #print(len(params)) #print(net) input=Variable(t.randn(1,1,32,32)) output=net(input) #out.size() target=Variable(t.arange(0,10)) criterion=nn.MSELoss() loss=criterion(output,target) loss.grad_fn
以上这篇pytorch使用tensorboardX进行loss可视化实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。