【深度学习03】TensorBoard+Transforms+Dataload的使用

简介: 【深度学习03】TensorBoard+Transforms+Dataload的使用

⭐本文内容:TensorBoard、Transforms、Dataload


TensorBoard


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


%load_ext tensorboard
%tensorboard --logdir /content/logs #注意路径


%tensorboard --logdir /content/logs:保存这个插件,到logs文件夹中


writer = SummaryWriter("logs"):()里面的logs,是%tensorboard --logdir /content/logs的logs


类“SummaryWriter”提供了创建事件文件的高级API 并添加摘要和事件。类更新 异步文件内容。这允许培训程序调用方法 直接从训练循环向文件中添加数据,而不会减慢速度训练


writer.add_image()函数


  • 示例:writer.add_image("test",img,1,dataformats='HWC') #注意dataformats='HWC'表示通道、长、宽的排序


  • 作用:添加image到tensorBoard中


  • 参数:


。img_tensor:数据类型(torch.Tensor, numpy.array, or string/blobname)


202205061956751.png


Transforms


Transforms:图像预处理的工具


eeab8c4c4d00eaacbf6435d0bd0b8574.png


变换数据类型:tensor_trans = transforms.ToTensor()(img),注意在()后面加上(img)


Dataload


import torchvision
from torch.utils.data import DataLoader
# 准备测试集 
test_data = torchvision.datasets.CIFAR10("/content/drive/MyDrive/Learn-                      pytorch/dataset",train=False,download=True,transform=torchvision.transforms.ToTensor())
test_loader = DataLoader(dataset=test_data,batch_size=64,shuffle=True,num_workers=0)


torchvision.datasets()函数


  • 示例:test_data = torchvision.datasets.CIFAR10("/content/drive/MyDrive/Learn-pytorch/dataset",train=False,download=True,transform=torchvision.transforms.ToTensor())


  • 作用:加载官方自带的数据集,返回img,target(图片+标签)


  • 参数:


。.CIFAR10:数据集名称

。“/content/drive/MyDrive/Learn-pytorch/dataset”:数据集的路径,如没有则新建一个文件夹

。train=False:是不是用来训练的,如:train=False表示是测试集

。download=True:是否下载

。transform=torchvision.transforms.ToTensor():数据格式的转换


DataLoader()函数


  • 示例:test_loader = DataLoader(dataset=test_data,batch_size=64,shuffle=True,num_workers=0)
  • 作用:和torchvision.datasets()联用,将数据集以一定的方式打包
  • 参数:

。batch_size=64:一个test_data随机抓取64张图片


writer = SummaryWriter("dataloader")
step = 0
for data in test_loader:
  imgs,targets = data
  writer.add_images("test_image",imgs,step)
  step = step+1
writer.close()


🚀注意SummaryWriter(“dataloader”)、writer.add_images

相关文章
|
机器学习/深度学习 数据可视化 TensorFlow
【深度学习】实验08 TensorBoard案例
【深度学习】实验08 TensorBoard案例
88 0
|
机器学习/深度学习 监控 数据可视化
深度学习模型训练可视化(TensorBoard可视化)
深度学习模型训练可视化(TensorBoard可视化)
294 0
|
机器学习/深度学习 数据可视化 PyTorch
【深度学习】pytorch使用tensorboard可视化实验数据
【深度学习】pytorch使用tensorboard可视化实验数据
252 0
【深度学习】pytorch使用tensorboard可视化实验数据
|
机器学习/深度学习 数据可视化 TensorFlow
学习笔记 | 深度学习开发—TensorFlow实践(TensorBoard可视化工具)
学习笔记 | 深度学习开发—TensorFlow实践(TensorBoard可视化工具)
学习笔记 | 深度学习开发—TensorFlow实践(TensorBoard可视化工具)
|
机器学习/深度学习 存储 数据可视化
深度学习:Tensorflow变量op和可视化TensorBoard
深度学习:Tensorflow变量op和可视化TensorBoard
266 0
|
27天前
|
机器学习/深度学习 运维 安全
深度学习在安全事件检测中的应用:守护数字世界的利器
深度学习在安全事件检测中的应用:守护数字世界的利器
73 22
|
2月前
|
机器学习/深度学习 传感器 数据采集
深度学习在故障检测中的应用:从理论到实践
深度学习在故障检测中的应用:从理论到实践
207 6
|
6天前
|
机器学习/深度学习 人工智能 运维
深度学习在流量监控中的革命性应用
深度学习在流量监控中的革命性应用
69 40
|
1天前
|
机器学习/深度学习 运维 资源调度
深度学习在资源利用率优化中的应用:让服务器更聪明
深度学习在资源利用率优化中的应用:让服务器更聪明
15 6
|
1天前
|
机器学习/深度学习 自然语言处理 监控
深入探索:深度学习在时间序列预测中的强大应用与实现
时间序列分析是数据科学和机器学习中一个重要的研究领域,广泛应用于金融市场、天气预报、能源管理、交通预测、健康监控等多个领域。时间序列数据具有顺序相关性,通常展示出时间上较强的依赖性,因此简单的传统回归模型往往不能捕捉其中复杂的动态特征。深度学习通过其非线性建模能力和层次结构的特征提取能力,能够有效地捕捉复杂的时间相关性和非线性动态变化模式,从而在时间序列分析中展现出极大的潜力。