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

pip install tensorboardX

然后在代码里导入

from tensorboardX import SummaryWriter

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 –port 8890

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

 import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net,self).__init__() self.conv1=nn.Conv2d(1,6,5) self.c<mark style="color:transparent">来源gaodaimacom搞#代%码网</mark>onv2=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) def forward(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) return x net=Net() #params=list(net.parameters()) #for name,parameters in net.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