博客

Tensorboard可视化神经网络结构@

TOC

Pytorch使用Tensorboard可视化网络结构

1.下载可视化代码

git clone https://github.com/lanpa/tensorboard-pytorch.git

2.安装PyTorch 0.4 +torchvision 0.2

3.安装Tensorflow和Tensorboard：

pip install tensorflow
pip install tensorboard==1.7.0

4.安装可视化工具：

pip install  tensorboardX

5.运行下面的测试代码demo_LeNet.py :

import torch
import torch.nn as nn
from tensorboardX import SummaryWriter
from torch.autograd import Variable

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Sequential(     #input_size=(1*28*28)
            nn.Conv2d(1, 6, 5, 1, 2),
            nn.ReLU(),      #(6*28*28)
            nn.MaxPool2d(kernel_size=2, stride=2),  #output_size=(6*14*14)
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(6, 16, 5),
            nn.ReLU(),      #(16*10*10)
            nn.MaxPool2d(2, 2)  #output_size=(16*5*5)
        )
        self.fc1 = nn.Sequential(
            nn.Linear(16 * 5 * 5, 120),
            nn.ReLU()
        )
        self.fc2 = nn.Sequential(
            nn.Linear(120, 84),
            nn.ReLU()
        )
        self.fc3 = nn.Linear(84, 10)

    # 定义前向传播过程，输入为x
    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        # nn.Linear()的输入输出都是维度为一的值，所以要把多维度的tensor展平成一维
        x = x.view(x.size()[0], -1)
        x = self.fc1(x)
        x = self.fc2(x)
        x = self.fc3(x)
        return x

dummy_input = Variable(torch.rand(13, 1, 28, 28)) #假设输入13张1*28*28的图片
model = LeNet()
with SummaryWriter(comment='LeNet') as w:
    w.add_graph(model, (dummy_input, ))

5.上面的代码运行结束后，会在当前目录生成一个叫run的文件夹，里面存储了可视化所需要的日志信息。用cmd进入到runs文件夹所在的目录中（路劲中不能有中文），然后cmd中输入：

tensorboard --logdir runs

遇到的问题

1.当前目录进入cmd

直接在文件目录上数据cmd，按回车

2.输入tensorboard –logdir runs后报错：


这个问题也有可能是intel的DLL文件造成的。

intel有mkl*.dll在C:\Users\peter\AppData\Local\Continuum\anaconda3\Library\bin目录下，

把这个目录添加到PATH，系统的环境变量里，然后重启终端就可以了（注意替换成自己的目录）。

3.点开


链接后，出现：



于是我将

tensorboard --logdir runs

，替换成我生成的数据所对应的文件的目录

tensorboard --logdir=D:\code\untitled\MUPS-master\models\runs\Oct19_14-57-38_DESKTOP-R4HN5A2FeatureExtractor

成功