文章轉自：https://www.jianshu.com/p/46eb3004beca
源碼：https://github.com/miaoshuyu/pytorch-tensorboardx-visualization
1 引言
我們都知道tensorflow框架可以使用tensorboard這一高級的可視化的工具，爲了使用tensorboard這一套完美的可視化工具，未免可以將其應用到Pytorch中，用於Pytorch的可視化。這裏特別感謝Github上的解決方案： https://github.com/lanpa/tensorboardX。
本文主要是針對該解決方案提供一些介紹。
TensorboardX支持scalar, image, figure, histogram, audio, text, graph, onnx_graph, embedding, pr_curve and videosummaries等不同的可視化展示方式，具體介紹移步至項目Github 觀看詳情。
2 環境安裝
本教程代碼環境依賴：
python 3.6+
Pytorch 0.4.0+
tensorboardX: pip install tensorboardX、pip install tensorflow
3 代碼教程
TensorboardX可以提供中很多的可視化方式，本文主要介紹scalar 和 graph，其他類型相似。
3.1 scalar教程
對上述代碼進行解釋，首先導入：from tensorboardXimport SummaryWriter，然後定義一個SummaryWriter() 實例。在SummaryWriter()上鼠標ctrl+b我們可以看到SummaryWriter()的參數爲：def __init__(self, log_dir=None, comment='', **kwargs): 其中log_dir爲生成的文件所放的目錄，comment爲文件名稱。默認目錄爲生成runs文件夾目錄。我們運行上述代碼：生成結果爲：
當我們爲SummaryWriter(comment='base_scalar')。生成結果爲：
當我們爲SummaryWriter(log_dir='scalar') 添加log_dir參數，可以看到第二條數據的文件名稱包括了base_scalar值。生成結果目錄爲：
接着解釋writer.add_scalar('scalar/test', np.random.rand(), epoch)，這句代碼的作用就是，將我們所需要的數據保存在文件裏面供可視化使用。 這裏是Scalar類型，所以使用writer.add_scalar()，其他的隊形使用對應的函數。第一個參數可以簡單理解爲保存圖的名稱，第二個參數是可以理解爲Y軸數據，第三個參數可以理解爲X軸數據。當Y軸數據不止一個時，可以使用writer.add_scalars().運行代碼之後生成文件之後，我們在runs同級目錄下使用命令行：tensorboard --logdir runs. 當SummaryWriter(log_dir='scalar')的log_dir的參數值 存在時，將tensorboard --logdir runs 改爲 tensorboard --logdir 參數值
最後調用writer.close()。
點擊鏈接即可看到我們的最終需要的可視化結果。
可以分別點擊對應的圖片查看詳情。可以看到生成的Scalar名稱爲'scalar/test'與'scalar/test'一致。注：可以使用左下角的文件選擇你想顯示的某個或者全部圖片。
3.2 Graph教程
首先我們定義一個神經網絡取名爲Net1。然後將其添加到tensorboard可是可視化中。
with SummaryWriter(comment='Net1')as w:
w.add_graph(model, (dummy_input,))
我們重點關注最後兩句話，其中使用了python的上下文管理，with 語句，可以避免因w.close未寫造成的問題。推薦使用此方式。
因爲這是一個神經網絡架構，所以使用 w.add_graph(model, (dummy_input,))，其中第一個參數爲需要保存的模型，第二個參數爲輸入值，元祖類型。打開tensorvboard控制檯，可得到如下結果。
點擊Net1部分可以將其網絡展開，查看網絡內部構造。
其他部分可以繼續一次展開查看詳情。
3.3 網絡訓練綜合教程
解釋完上述兩部分知識之後，我們可以綜合運用上述兩部分內容，實現線性擬合的訓練過程中的loss可視化和模型的保存。
我們將運行過程中loss和model分別保存，最後打開tensorboard控制檯，可以得到模型結果和loss的結果爲下圖.
注：不同的graph的可視化可以使用上圖Run旁邊的下拉框選擇。
3.4 Tensorboard綜合Demo
本Demo代碼爲TensorboardX提供的官方Demo代碼。
最終運行的所有可視化結果爲：
