2022AV在线免费观看,少妇疯狂高潮久久久

原文： PyTorch torch.utils.tensorboard

安裝 TensorBoard 后，這些實(shí)用程序使您可以將 PyTorch 模型和指標(biāo)記錄到目錄中，以便在 TensorBoard UI 中進(jìn)行可視化。 PyTorch 模型和張量以及 Caffe2 網(wǎng)絡(luò)和 Blob 均支持標(biāo)量，圖像，直方圖，圖形和嵌入可視化。

SummaryWriter 類是您用來登錄數(shù)據(jù)以供 TensorBoard 使用和可視化的主要條目。例如：

import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from torchvision import datasets, transforms


## Writer will output to ./runs/ directory by default
writer = SummaryWriter()


transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
trainset = datasets.MNIST('mnist_train', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)
model = torchvision.models.resnet50(False)
## Have ResNet model take in grayscale rather than RGB
model.conv1 = torch.nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False)
images, labels = next(iter(trainloader))


grid = torchvision.utils.make_grid(images)
writer.add_image('images', grid, 0)
writer.add_graph(model, images)
writer.close()

然后可以使用 TensorBoard 對其進(jìn)行可視化，該 TensorBoard 應(yīng)該可通過以下方式安裝和運(yùn)行：

pip install tensorboard
tensorboard --logdir=runs

一個實(shí)驗(yàn)可以記錄很多信息。為了避免 UI 混亂和更好地將結(jié)果聚類，我們可以通過對圖進(jìn)行分層命名來對圖進(jìn)行分組。例如，“損失/火車”和“損失/測試”將被分組在一起，而“準(zhǔn)確性/火車”和“準(zhǔn)確性/測試”將在 TensorBoard 界面中分別分組。

from torch.utils.tensorboard import SummaryWriter
import numpy as np


writer = SummaryWriter()


for n_iter in range(100):
    writer.add_scalar('Loss/train', np.random.random(), n_iter)
    writer.add_scalar('Loss/test', np.random.random(), n_iter)
    writer.add_scalar('Accuracy/train', np.random.random(), n_iter)
    writer.add_scalar('Accuracy/test', np.random.random(), n_iter)

預(yù)期結(jié)果：

class torch.utils.tensorboard.writer.SummaryWriter(log_dir=None, comment='', purge_step=None, max_queue=10, flush_secs=120, filename_suffix='')?

將條目直接寫入 log_dir 中的事件文件，以供 TensorBoard 使用。

<cite>SummaryWriter</cite> 類提供了一個高級 API，用于在給定目錄中創(chuàng)建事件文件并向其中添加摘要和事件。該類異步更新文件內(nèi)容。這允許訓(xùn)練程序從訓(xùn)練循環(huán)中調(diào)用直接將數(shù)據(jù)添加到文件的方法，而不會減慢訓(xùn)練速度。

__init__(log_dir=None, comment='', purge_step=None, max_queue=10, flush_secs=120, filename_suffix='')?

創(chuàng)建一個 <cite>SummaryWriter</cite> ，它將事件和摘要寫到事件文件中。

參數(shù)

log_dir (字符串）–保存目錄位置。默認(rèn)值為運(yùn)行次數(shù)/ CURRENT_DATETIME_HOSTNAME ，每次運(yùn)行后都會更改。使用分層文件夾結(jié)構(gòu)可以輕松比較運(yùn)行情況。例如為每個新實(shí)驗(yàn)傳遞“ runs / exp1”，“ runs / exp2”等，以便在它們之間進(jìn)行比較。
注釋(字符串）–注釋 log_dir 后綴附加到默認(rèn)值log_dir。如果分配了log_dir，則此參數(shù)無效。
purge_step (python：int )–當(dāng)日志記錄在步驟崩潰并在步驟重新啟動時，將清除 global_step 大于或等于的所有事件，隱藏在 TensorBoard 中。請注意，崩潰的實(shí)驗(yàn)和恢復(fù)的實(shí)驗(yàn)應(yīng)具有相同的log_dir。
max_queue (python：int )–在“添加”調(diào)用之一強(qiáng)行刷新到磁盤之前，未決事件和摘要的隊(duì)列大小。默認(rèn)值為十個項(xiàng)目。
flush_secs (python：int )–將掛起的事件和摘要刷新到磁盤的頻率(以秒為單位）。默認(rèn)值為每兩分鐘一次。
filename_suffix (字符串）–后綴添加到 log_dir 目錄中的所有事件文件名中。在 tensorboard.summary.writer.event_file_writer.EventFileWriter 中有關(guān)文件名構(gòu)造的更多詳細(xì)信息。

例子：

from torch.utils.tensorboard import SummaryWriter


## create a summary writer with automatically generated folder name.
writer = SummaryWriter()
## folder location: runs/May04_22-14-54_s-MacBook-Pro.local/


## create a summary writer using the specified folder name.
writer = SummaryWriter("my_experiment")
## folder location: my_experiment


## create a summary writer with comment appended.
writer = SummaryWriter(comment="LR_0.1_BATCH_16")
## folder location: runs/May04_22-14-54_s-MacBook-Pro.localLR_0.1_BATCH_16/

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

將標(biāo)量數(shù)據(jù)添加到摘要中。

Parameters

標(biāo)記(字符串）–數(shù)據(jù)標(biāo)識符
標(biāo)量值 (python：float 或 字符串/名稱）–要保存的值
global_step (python：int )–要記錄的全局步長值
walltime (python：float )–可選，以事件發(fā)生后的秒數(shù)覆蓋默認(rèn)的 walltime(time.time(））

Examples:

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter()
x = range(100)
for i in x:
    writer.add_scalar('y=2x', i * 2, i)
writer.close()

Expected result:

add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)?

將許多標(biāo)量數(shù)據(jù)添加到摘要中。

請注意，此函數(shù)還將已記錄的標(biāo)量保存在內(nèi)存中。在極端情況下，它會炸毀您的 RAM。

Parameters

main_tag (字符串）–標(biāo)記的父名稱
tag_scalar_dict (dict )–存儲標(biāo)簽和對應(yīng)值的鍵值對
global_step (python:int) – Global step value to record
walltime (python：float )–可選的替代默認(rèn)時間 Walltime(time.time(））秒

Examples:

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter()
r = 5
for i in range(100):
    writer.add_scalars('run_14h', {'xsinx':i*np.sin(i/r),
                                    'xcosx':i*np.cos(i/r),
                                    'tanx': np.tan(i/r)}, i)
writer.close()
## This call adds three values to the same scalar plot with the tag
## 'run_14h' in TensorBoard's scalar section.

Expected result:

add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None, max_bins=None)?

將直方圖添加到摘要中。

Parameters

tag (string) – Data identifier
值 (torch張量 ， numpy.array 或 字符串/名稱）–建立直方圖的值
global_step (python:int) – Global step value to record
容器(字符串）– {'tensorflow'，'auto'，'fd'，…}中的一種。這決定了垃圾桶的制作方式。您可以在以下位置找到其他選項(xiàng)： https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event

Examples:

from torch.utils.tensorboard import SummaryWriter
import numpy as np
writer = SummaryWriter()
for i in range(10):
    x = np.random.random(1000)
    writer.add_histogram('distribution centers', x + i, i)
writer.close()

Expected result:

add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')?

將圖像數(shù)據(jù)添加到摘要。

注意，這需要pillow程序包。

Parameters

tag (string) – Data identifier
img_tensor (torch張量 ， numpy.array 或 字符串/名稱）–圖像數(shù)據(jù)
global_step (python:int) – Global step value to record
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event

Shape:

img_tensor：默認(rèn)為。您可以使用torchvision.utils.make_grid()將一批張量轉(zhuǎn)換為 3xHxW 格式，或者調(diào)用add_images讓我們完成這項(xiàng)工作。只要傳遞了相應(yīng)的dataformats自變量，也可以使用帶有，和的張量。例如 CHW，HWC，HW。

Examples:

from torch.utils.tensorboard import SummaryWriter
import numpy as np
img = np.zeros((3, 100, 100))
img[0] = np.arange(0, 10000).reshape(100, 100) / 10000
img[1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000


img_HWC = np.zeros((100, 100, 3))
img_HWC[:, :, 0] = np.arange(0, 10000).reshape(100, 100) / 10000
img_HWC[:, :, 1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000


writer = SummaryWriter()
writer.add_image('my_image', img, 0)


## If you have non-default dimension setting, set the dataformats argument.
writer.add_image('my_image_HWC', img_HWC, 0, dataformats='HWC')
writer.close()

Expected result:

add_images(tag, img_tensor, global_step=None, walltime=None, dataformats='NCHW')?

將批處理的圖像數(shù)據(jù)添加到摘要中。

Note that this requires the pillow package.

Parameters

tag (string) – Data identifier
img_tensor (*torch.Tensor*, numpy.array__, or string/blobname) – Image data
global_step (python:int) – Global step value to record
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event
數(shù)據(jù)格式(字符串）– NCHW，NHWC，CHW，HWC，HW，WH 等形式的圖像數(shù)據(jù)格式規(guī)范

Shape:

img_tensor：默認(rèn)為。如果指定dataformats，將接受其他形狀。例如 NCHW 或 NHWC。

Examples:

from torch.utils.tensorboard import SummaryWriter
import numpy as np


img_batch = np.zeros((16, 3, 100, 100))
for i in range(16):
    img_batch[i, 0] = np.arange(0, 10000).reshape(100, 100) / 10000 / 16 * i
    img_batch[i, 1] = (1 - np.arange(0, 10000).reshape(100, 100) / 10000) / 16 * i


writer = SummaryWriter()
writer.add_images('my_image_batch', img_batch, 0)
writer.close()

Expected result:

add_figure(tag, figure, global_step=None, close=True, walltime=None)?

將 matplotlib 圖形渲染為圖像，并將其添加到摘要中。

注意，這需要matplotlib程序包。

Parameters

tag (string) – Data identifier
圖形 (matplotlib.pyplot.figure )–圖形或圖形列表
global_step (python:int) – Global step value to record
關(guān)閉 (bool )–自動關(guān)閉圖形的標(biāo)志
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event

add_video(tag, vid_tensor, global_step=None, fps=4, walltime=None)?

將視頻數(shù)據(jù)添加到摘要。

注意，這需要moviepy程序包。

Parameters

tag (string) – Data identifier
vid_tensor (torch張量)–視頻數(shù)據(jù)
global_step (python:int) – Global step value to record
fps (python：float 或 python：int )–每秒幀數(shù)
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event

Shape:

vid_tensor：。對于 <cite>uint8</cite> 類型，值應(yīng)位于[0，255]中；對于 <cite>float</cite> 類型，值應(yīng)位于[0，1]中。

add_audio(tag, snd_tensor, global_step=None, sample_rate=44100, walltime=None)?

將音頻數(shù)據(jù)添加到摘要。

Parameters

tag (string) – Data identifier
snd_tensor (torch張量)–聲音數(shù)據(jù)
global_step (python:int) – Global step value to record
sample_rate (python：int )–以 Hz 為單位的采樣率
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event

Shape:

snd_tensor：。值應(yīng)介于[-1，1]之間。

add_text(tag, text_string, global_step=None, walltime=None)?

將文本數(shù)據(jù)添加到摘要。

Parameters

tag (string) – Data identifier
text_string (字符串）–要保存的字符串
global_step (python:int) – Global step value to record
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event

Examples:

writer.add_text('lstm', 'This is an lstm', 0)
writer.add_text('rnn', 'This is an rnn', 10)

add_graph(model, input_to_model=None, verbose=False)?

add_embedding(mat, metadata=None, label_img=None, global_step=None, tag='default', metadata_header=None)?

將嵌入的投影儀數(shù)據(jù)添加到摘要中。

Parameters

墊 (torch張量 或 numpy.array )–矩陣，每行是特征向量數(shù)據(jù)點(diǎn)
元數(shù)據(jù)(列表）–標(biāo)簽列表，每個元素將轉(zhuǎn)換為字符串
label_img (炬管張緊器)–圖像對應(yīng)于每個數(shù)據(jù)點(diǎn)
global_step (python:int) – Global step value to record
標(biāo)簽(字符串）–嵌入的名稱

Shape:

墊子：，其中 N 是數(shù)據(jù)數(shù)量，D 是特征尺寸

label_img：

Examples:

import keyword
import torch
meta = []
while len(meta)<100:
    meta = meta+keyword.kwlist # get some strings
meta = meta[:100]


for i, v in enumerate(meta):
    meta[i] = v+str(i)


label_img = torch.rand(100, 3, 10, 32)
for i in range(100):
    label_img[i]*=i/100.0


writer.add_embedding(torch.randn(100, 5), metadata=meta, label_img=label_img)
writer.add_embedding(torch.randn(100, 5), label_img=label_img)
writer.add_embedding(torch.randn(100, 5), metadata=meta)

add_pr_curve(tag, labels, predictions, global_step=None, num_thresholds=127, weights=None, walltime=None)?

添加精度召回曲線。繪制精確召回曲線可以讓您了解模型在不同閾值設(shè)置下的性能。使用此功能，您可以為每個目標(biāo)提供地面真相標(biāo)簽(T / F）和預(yù)測置信度(通常是模型的輸出）。 TensorBoard UI 將允許您交互選擇閾值。

Parameters

tag (string) – Data identifier
標(biāo)簽 (torch張量 ， numpy.array 或 字符串/名稱）–基本事實(shí)數(shù)據(jù)。每個元素的二進(jìn)制標(biāo)簽。
預(yù)測 (torch張量 ， numpy.array 或 string / blobname )–元素歸類為 true 的概率。值應(yīng)為[0，1]
global_step (python:int) – Global step value to record
num_thresholds (python：int )–用于繪制曲線的閾值數(shù)。
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event

Examples:

from torch.utils.tensorboard import SummaryWriter
import numpy as np
labels = np.random.randint(2, size=100)  # binary label
predictions = np.random.rand(100)
writer = SummaryWriter()
writer.add_pr_curve('pr_curve', labels, predictions, 0)
writer.close()

add_custom_scalars(layout)?

通過在“標(biāo)量”中收集圖表標(biāo)簽來創(chuàng)建特殊圖表。請注意，該函數(shù)只能為每個 SummaryWriter(）對象調(diào)用一次。因?yàn)樗鼉H向張量板提供元數(shù)據(jù)，所以可以在訓(xùn)練循環(huán)之前或之后調(diào)用該函數(shù)。

Parameters

布局 (dict )– {類別名稱：圖表}，其中圖表也是字典{chartName： ListOfProperties ]}。 ListOfProperties 中的第一個元素是圖表的類型(多線或保證金之一），第二個元素應(yīng)是包含您在 add_scalar 中使用的標(biāo)簽的列表。函數(shù)，它將被收集到新圖表中。

Examples:

layout = {'Taiwan':{'twse':['Multiline',['twse/0050', 'twse/2330']]},
             'USA':{ 'dow':['Margin',   ['dow/aaa', 'dow/bbb', 'dow/ccc']],
                  'nasdaq':['Margin',   ['nasdaq/aaa', 'nasdaq/bbb', 'nasdaq/ccc']]}}


writer.add_custom_scalars(layout)

add_mesh(tag, vertices, colors=None, faces=None, config_dict=None, global_step=None, walltime=None)?

將網(wǎng)格或 3D 點(diǎn)云添加到 TensorBoard。可視化基于 Three.js，因此它允許用戶與渲染的對象進(jìn)行交互。除了頂點(diǎn)，面部之類的基本定義外，用戶還可以提供相機(jī)參數(shù)，光照條件等。請檢查 https://threejs.org/docs/index.html#manual/en/introduction/Creating-a -scene 用于高級用法。

Parameters

tag (string) – Data identifier
頂點(diǎn) (torch張量)–頂點(diǎn)的 3D 坐標(biāo)列表。
顏色 (torch張量)–每個頂點(diǎn)的顏色
面 (torch張量)–每個三角形內(nèi)的頂點(diǎn)的索引。 (可選的）
config_dict –具有 ThreeJS 類名稱和配置的字典。
global_step (python:int) – Global step value to record
walltime (python:float) – Optional override default walltime (time.time()) seconds after epoch of event

Shape:

頂點(diǎn)：。 (批次，頂點(diǎn)數(shù)，渠道）

顏色：。對于 <cite>uint8</cite> 類型，值應(yīng)位于[0，255]中；對于 <cite>float</cite> 類型，值應(yīng)位于[0，1]中。

面孔：。對于 <cite>uint8</cite> 類型，這些值應(yīng)位于[0，number_of_vertices]中。

Examples:

from torch.utils.tensorboard import SummaryWriter
vertices_tensor = torch.as_tensor([
    [1, 1, 1],
    [-1, -1, 1],
    [1, -1, -1],
    [-1, 1, -1],
], dtype=torch.float).unsqueeze(0)
colors_tensor = torch.as_tensor([
    [255, 0, 0],
    [0, 255, 0],
    [0, 0, 255],
    [255, 0, 255],
], dtype=torch.int).unsqueeze(0)
faces_tensor = torch.as_tensor([
    [0, 2, 3],
    [0, 3, 1],
    [0, 1, 2],
    [1, 3, 2],
], dtype=torch.int).unsqueeze(0)


writer = SummaryWriter()
writer.add_mesh('my_mesh', vertices=vertices_tensor, colors=colors_tensor, faces=faces_tensor)


writer.close()

add_hparams(hparam_dict=None, metric_dict=None)?

添加一組要在 TensorBoard 中進(jìn)行比較的超參數(shù)。

Parameters

hparam_dict (dict )–字典中的每個鍵值對都是超參數(shù)的名稱及其對應(yīng)的值。
metric_dict (dict )–詞典中的每個鍵值對都是指標(biāo)的名稱及其對應(yīng)的值。請注意，此處使用的密鑰在張量板記錄中應(yīng)該是唯一的。否則，由add_scalar添加的值將顯示在 hparam 插件中。在大多數(shù)情況下，這是不需要的。

Examples:

from torch.utils.tensorboard import SummaryWriter
with SummaryWriter() as w:
    for i in range(5):
        w.add_hparams({'lr': 0.1*i, 'bsize': i},
                      {'hparam/accuracy': 10*i, 'hparam/loss': 10*i})

Expected result:

flush()?

將事件文件刷新到磁盤。調(diào)用此方法以確保所有未決事件均已寫入磁盤。

close()?

PyTorch torch.utils.tensorboard

推薦文章

推薦教程

推薦課程