tensorboardX Download - tensorboardX Quellcode Download

tensorboardX

Python

v2.5

Herunterladen

Tensorboardx

Schreiben Sie Tensorboard -Ereignisse mit einfachem Funktionsaufruf.

Die aktuelle Version (v2.6.2.2) wird auf Anaconda3 mit Pytorch 1.11.0 / Torchvision 0.12 / Tensorboard 2.9.0 getestet.

Unterstützen Sie scalar , image , figure , histogram , audio , text , graph , onnx_graph , embedding , pr_curve , mesh , hyper-parameters und video Zusammenfassungen.
FAQ

Installieren

pip install tensorboardX

oder aus Quelle bauen:

pip install 'git+https://github.com/lanpa/tensorboardX'

Sie können optional crc32c installieren, um zu beschleunigen.

pip install crc32c

Ab Tensorboardx 2.1 müssen Sie soundfile für die Funktion add_audio() (200x beschleunig) installieren.

pip install soundfile

Beispiel

Klonen Sie die Dateien in https://github.com/lanpa/tensorboardx/tree/master/examples
Führen Sie das Demo -Skript aus: zB python examples/demo.py
Tensorboard mit tensorboard --logdir runs starten

 # demo.py

import torch
import torchvision . utils as vutils
import numpy as np
import torchvision . models as models
from torchvision import datasets
from tensorboardX import SummaryWriter

resnet18 = models . resnet18 ( False )
writer = SummaryWriter ()
sample_rate = 44100
freqs = [ 262 , 294 , 330 , 349 , 392 , 440 , 440 , 440 , 440 , 440 , 440 ]

for n_iter in range ( 100 ):

    dummy_s1 = torch . rand ( 1 )
    dummy_s2 = torch . rand ( 1 )
    # data grouping by `slash`
    writer . add_scalar ( 'data/scalar1' , dummy_s1 [ 0 ], n_iter )
    writer . add_scalar ( 'data/scalar2' , dummy_s2 [ 0 ], n_iter )

    writer . add_scalars ( 'data/scalar_group' , { 'xsinx' : n_iter * np . sin ( n_iter ),
                                             'xcosx' : n_iter * np . cos ( n_iter ),
                                             'arctanx' : np . arctan ( n_iter )}, n_iter )

    dummy_img = torch . rand ( 32 , 3 , 64 , 64 )  # output from network
    if n_iter % 10 == 0 :
        x = vutils . make_grid ( dummy_img , normalize = True , scale_each = True )
        writer . add_image ( 'Image' , x , n_iter )

        dummy_audio = torch . zeros ( sample_rate * 2 )
        for i in range ( x . size ( 0 )):
            # amplitude of sound should in [-1, 1]
            dummy_audio [ i ] = np . cos ( freqs [ n_iter // 10 ] * np . pi * float ( i ) / float ( sample_rate ))
        writer . add_audio ( 'myAudio' , dummy_audio , n_iter , sample_rate = sample_rate )

        writer . add_text ( 'Text' , 'text logged at step:' + str ( n_iter ), n_iter )

        for name , param in resnet18 . named_parameters ():
            writer . add_histogram ( name , param . clone (). cpu (). data . numpy (), n_iter )

        # needs tensorboard 0.4RC or later
        writer . add_pr_curve ( 'xoxo' , np . random . randint ( 2 , size = 100 ), np . random . rand ( 100 ), n_iter )

dataset = datasets . MNIST ( 'mnist' , train = False , download = True )
images = dataset . test_data [: 100 ]. float ()
label = dataset . test_labels [: 100 ]

features = images . view ( 100 , 784 )
writer . add_embedding ( features , metadata = label , label_img = images . unsqueeze ( 1 ))

# export scalar data to JSON for external processing
writer . export_scalars_to_json ( "./all_scalars.json" )
writer . close ()

Screenshots

Tensorboardx mit Kometen verwenden

Tensorboardx unterstützt jetzt die Anmeldung direkt bei Comet. Comet ist eine kostenlose Cloud -basierte Lösung, mit der Sie Ihre Experimente automatisch verfolgen, vergleichen und erklären können. Es fügt eine Menge Funktionen auf Tensorboard hinzu, wie z. B. Datensatzverwaltung, Differenzierungsexperimente, den Code, der die Ergebnisse generiert hat, und mehr.

Dies funktioniert nicht in der Box und erfordern nur eine zusätzliche Codezeile. In diesem Colab -Notizbuch finden Sie ein volles Codebeispiel