tensorboard在pytorch1.1之后就也支持pytorch了

1.tensorboard涉及的类：SummaryWriter

全称是：torch.utils.tensorboard.SummaryWriter

常用的方式就是：

from torch.utils.tensorboard import SummaryWriter

utils就是torch中包括的常用的个工具箱集合罢了，很常用

2.官方文档对SummaryWriter描述：

"""Writes entries directly to event files in the log_dir to be
    consumed by TensorBoard.

    The `SummaryWriter` class provides a high-level API to create an event file
    in a given directory and add summaries and events to it. The class updates the
    file contents asynchronously. This allows a training program to call methods
    to add data to the file directly from the training loop, without slowing down
    training.
    """

大意是：将条目直接写入 log_dir 中的事件文件以供 TensorBoard 使用。

`SummaryWriter` 类提供了一个高级 API，用于在给定目录中创建事件文件，并向其中添加摘要和事件。 该类异步更新文件内容。 这允许训练程序调用方法以直接从训练循环将数据添加到文件中，而不会减慢训练速度。

3. SummaryWriter使用方法：

重点解释__init__()函数：

所有的参数都时可选的，

重点介绍一下：

第一个参数 log_dir : 用以保存summary的位置，比如我接下来的例子里，SummaryWriter生成的writer实例的第一个参数都是 ZCH_Tensorboard_Trying_logs ，那么，我的当前代码所在文件夹下方就会出现一个名为 ZCH_Tensorboard_Trying_logs 的文件夹里面装的就是summary

第二个参数是加一些comment

官方文档中还给了点样例，如下：

4. SummaryWriter类中的常用函数 ---- add_scalar()

1. add_scalar()函数的目的是添加一个标量数据（scalar data）到summary中

2. 重要的常用的其实就是前三个参数：

（1）tag：要求是一个string，用以描述 该标量数据图的 标题

（2）scalar_value ：可以简单理解为一个y轴值的列表

（3）global_step：可以简单理解为一个x轴值的列表，与y轴的值相对应

3. 代码例子：

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter("ZCH_Tensorboard_Trying_logs")      #第一个参数指明 writer 把summary内容 写在哪个目录下

for i in range(100):
    writer.add_scalar("y=x",i,i)

for i in range(100):
    writer.add_scalar("y=2*x",2*i,i)


writer.close()     #将event log写完之后，记得close()

这里，我们用 SummaryWriter 类 构建了一个实例writer，它的第一个参数为：这表明，我们的summary将会被写到名为 ZCH_Tensorboard_Trying_logs 的文件夹下。

因此，运行完后会在当前文件夹目录下多出一个名为 ZCH_Tensorboard_Trying_logs 的文件夹，里面装的就是可以被tensorboard所解释的文件：events.out.tfevents.XXXX.zch.XXXXXX.0

现在，可解释文件已经生成，如何在网页中可视化的看一看呢？

4.可视化展示：

在Pyharm 的 terminal中，键入指令：tensorboard –logdir=XXXX（XXXX就是你要求tensorboard writer把文件写入的那个地方，对于本例来说，即 ：ZCH_Tensorboard_Trying_logs）

有的时候，主机可能很多人再用，这个时候，为了防止端口号冲突，我们就可以设定一个特别的主机端口，方法是，将上述命令再多加一个参数：--port=

即，长这样： tensorboard --logdir=ZCH_Tensorboard_Trying_logs --port=6666

5.一个注意：

因为我们每次都在向summary中添加内容，但添加内容的时候，若writer.add_scalar()的第一个参数不变，只改变了之后的描绘数据部分，那么writer.add_scalar()函数就会把此次的数据描绘出的图案 覆盖掉 之前的 第一个参数相同的 那块数据的图案

所以，如果你的代码长这个样子，最终网页上就之会有两个图：

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter("ZCH_Tensorboard_Trying_logs")      #第一个参数指明 writer 把summary内容 写在哪个目录下

for i in range(100):
    writer.add_scalar("y=x",i,i)

for i in range(100):
    writer.add_scalar("lll",2*i,i)

for i in range(100):
    writer.add_scalar("lll",5*i,i)

for i in range(100):
    writer.add_scalar("lll",9*i,i)

writer.close()     #将event log写完之后，记得close()

因此，其实我们也可以理解为对于用 add_scalar() 函数 画 标量数据图（scalar data）时，tag 参数有点像是唯一标识的意思。要保证图不被覆盖就要保证 add_scalar() 函数 中 tag参数是唯一的。

6. 两个小提示：

（1）在通过 tensorboard --logdir=ZCH_Tensorboard_Trying_logs –port=6666 指令打开网页后，就可以不用每次对代码修改后就在terminal中执行一次，代码修改完，运行完，直接啥新网页就可以看到更新了

（2）由于每次运行一次，就会在 ZCH_Tensorboard_Trying_logs文件夹中产生一个新的events.out.tfevents.1659857977.zch.34121.0文件，为了防止冗余和出错，简单的做法就是把这些文件都删除再重新运行一下（反正也会生成新的）。

5. SummaryWriter类中的常用函数  ---- add_image()

1.通过官方文档介绍一下这个函数是干吗的：

上图把要注意的部分标出来了： 首先明确这是一个向summary中添加图片的函数，然后该函数的参数还是老三样：

tag函数是该图片可视化的时候的标题；

img_tensor参数传入的是代表你要展示的图片的内容，格式必须要转换为 : torch.Tensor ，Numpy.array ，string ；

[注意] 这里特殊强调一下，图片上也标注了，就是如果我们将图片调整为Numpy.array格式，需要在向add_image()函数中传入一个为了对应 Numpy.array() 数据类型 而明确的 dataformats 参数，参数的目的是指明array的内容（具体解释原因见上图）

然后我也执行了一下通过PIL.Image()打开生成的图片是什么类型，再通过Numpy.array()函数转换后的类型又是个啥样：

可以看到，转换成array格式后，此时的数据组织形式就是HWC ，与defualt的数据组织形式不符合，所以add_image()函数中要加参数：dataformats='HWC'

 PS ： 通过Numpy.array()函数，是最方便的读取到（得到）numpy.array形式的方式之一

2.函数对应的大致的使用方法如下：

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


#add_image()常用来观察训练结果：
img_path = "tttimage.jpg"    #文件的相对地址
img = Image.open(img_path)
img.show()
print( type(img) )
#但是，add_image()的第2个参数要求的格式是torch.Tensor ; numpy.array ; string
#转换成numpy.array格式
img = np.array(img)
print( type(img) )


writer = SummaryWriter("ZCH_Tensorboard_Trying_logs")      # 第一个参数指明 writer 把summary内容 写在哪个目录下，那么这条语句的意思就是让summary写到当前路径下的 ZCH_Tensorboard_Trying_logs 文件夹下
writer.add_image("test",img,1,dataformats='HWC')   #这里一定要注意一下：从PIL利用numpy转换到numpy.array格式，需要在add_image()函数的参数中，利用dataformats明确指定出shape中的每一个维度都表示的啥含义（三维的话就应该是'HWC'）

writer.close()

3.如何可视化展示的方式同(三)add_scalar()的方法：

再PyCharm的Terminal中执行：tensorboard --logdir=ZCH_Tensorboard_Trying_logs --port=6677

执行结果展示如下hh

4. 同样，与add_scalar()一样，add_image()来添图片同样也是如果tag参数一直就在同一个框中添加，但是，有些情况就是需要在同一个框中添加，那只需要指明这些图片的步骤就好了，比如下例就是同一个框来展示两张图片，只不过通过参数global_step来知名该u图片该tag对应的图片展示框中里面第几个出现

代码如下所示：

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

writer = SummaryWriter("ZCH_Tensorboard_Trying_logs")      # 第一个参数指明 writer 把summary内容 写在哪个目录下，那么这条语句的意思就是让summary写到当前路径下的 ZCH_Tensorboard_Trying_logs 文件夹下

#add_image()常用来观察训练结果：
img_path = "tttimage.jpg"    #文件的相对地址
img = Image.open(img_path)
img = np.array(img)
writer.add_image("test",img,1,dataformats='HWC')   #global_step = 1 表明：在tag=test中，第一张图片是img=tttimage.jpg

img_path = "2222.jpg"    #文件的相对地址
img = Image.open(img_path)
img = np.array(img)
writer.add_image("test",img,2,dataformats='HWC')   #global_step = 2 表明：在tag=test中，第一张图片是img=2222.jpg

writer.close()

 4. 这里踩个坑：

（1）如果我们在使用writer后忘记了关闭writer，那么，代码运行不会出错，在terminal中打开网页版可视化时，tyerminal中也不会输出报错，但网页展示summary会报错，如下图所示：

这时候优先看看是否已经关闭了writer

（2）我通过用writer.add_scalar()先向summary中添加了一些标量数据，接下来我调用writer,close()函数，将writer关闭了

接着，我再次调用writer.add_image()函数向summary中添加了一些图片，但是此时，由于之前的writer已经被我们关闭了，所以在此重新赋值写入图片的writer(有时)会覆盖之前的操作，即，没有标量数据在网页中被可视化展示了，它已经被add_image()所添加的image覆盖掉了

但以不应定一定会覆盖，很神奇，所以建议大家再添加结束之前还是没必要去close()了