pytorch tensorboard在本地和远程服务器使用，两条loss曲线画一个图上

一. 安装包

pytorch版本最好大于1.1.0。查看PyTorch版本的命令为torch.__version__

tensorboard若没有的话，可用命令conda install tensorboard安装，也可以用命令pip install tensorboard安装。

注意：

• tensorboard可以直接实现可视化，不需要安装TensorFlow；
• tensorboard和tensorboard_logger是不同的包，包含的函数也不相同，虽然总体上用法相似。

二. tensorboard的使用逻辑

【下图摘自知乎文章：PyTorch下的Tensorboard 使用】

三. 本地使用示例

假设我想可视化模型训练过程中的loss，那么就可以在训练的时候，把每个epoch的loss都保存到文件中。

from torch.utils.tensorboard import SummaryWriter   # SummaryWriter的作用是将数据以特定的格式存储到文件夹
folder = '/Users/wangpeng/Desktop/tb'   # 指定存储文件夹
writer = SummaryWriter(log_dir=folder, flush_secs=30)   # 实例化SummaryWriter类，每30秒写入一次到硬盘
for epoch in range(100):
    loss = 10 - 0.1 * epoch
    writer.add_scalar('learning_rate', loss, epoch)   # 把loss写入到文件夹中

运行程序之后，tb文件夹内就会出现一个文件：

然后打开命令行终端， 输入tensorboard --logdir='/Users/wangpeng/Desktop/tb'，如下图绿线所示：

把图中红线的地址复制到google浏览器中，即可看到loss的可视化结果：

四. tensorboard在服务器上使用

【下面的内容来自这篇博文：Tensorboard 在服务器上的使用】

4.1. windows系统

在Windows系统装一个Xshell,在文件->属性->ssh->隧道->添加,类型local，源主机填127.0.0.1（意思是本机），端口设置一个，比如12345，目标主机为服务器，目标端口一般是6006，如果6006被占了可以改为其他端口。

在服务器上运行 tensorboard --logdir='logs' --port =6006

在本机打开网页127.0.0.1:12345

即可查看远程的tensorboard。

注：关于通过Xshell来建立隧道的方法，如果尝试没有成功，可以参考这篇博客：Xshell远程服务器后Tensorboard的本地可视化方法，讲得更清楚一些。

4.2. Mac或Linux系统

· 在登录远程服务器的时候使用命令：
　　　　ssh -L 16006:127.0.0.1:6006 account@server.address
　　（代替一般ssh远程登录命令：ssh account@server.address）
·训练完模型之后使用如下命令：
　　　　tensorboard --logdir="/path/to/log-directory"
　　（其中，/path/to/log-directory为自己设定的日志存放路径，因人而异）
·最后，在本地访问地址：http://127.0.0.1:16006/

原理：建立ssh隧道，实现远程端口到本地端口的转发 具体来说就是将远程服务器的6006端口（tensorboard默认将数据放在6006端口）转发到本地的16006端口，在本地对16006端口的访问即是对远程6006端口的访问，当然，转发到本地某一端口不是限定的，可自由选择。

 

五. 两条曲线画一个图上

程序示例：

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

writer = SummaryWriter(log_dir='/root/wp/action/result_recg/test', flush_secs=30)
for j in range(1, 50):
    i = torch.tensor(j)
    learning_rate = 0.1 * i
    x = np.log2(i)
    y = 2 * np.log2(i)
    h = 3 * np.log2(i)
    w = 4 * np.log2(i)
    writer.add_scalar('learning_rate', i, j)

    # 把两个图放到一个section
    writer.add_scalar('loss/x', x, j)
    writer.add_scalar('loss/y', y, j)

    # 把两条曲线放到一个图上
    writer.add_scalars('acc', {'h': h, 'w': w}, j)   # 注意是add_scalars，不是add_scalar

运行结果，得到文件如下：

得到tensorboard图像: