tensorboardX详解

• tensorboardX介绍
• 安装
• 创建SummaryWriter实例
  *
• 1.提供一个路径，将使用该路径来保存日志
• 2.无参数，默认将使用 runs/日期时间 路径来保存日志
• 3.提供一个 comment 参数，将使用 runs/日期时间-comment 路径来保存日志
• 各种add方法使用
  *
• add_scalar
  -
  • 方法各参数介绍
  • 举例
• add_graph
  -
  • 参数介绍

tensorboardX介绍

Tensorboard 是 TensorFlow 的一个附加工具，可以记录训练过程的数字、图像等内容，以方便研究人员观察神经网络训练过程。但是对于 PyTorch 等其他神经网络训练框架并没有功能像 Tensorboard 一样全面的类似工具，一些已有的工具功能有限或使用起来比较困难 (tensorboard_logger, visdom等) 。TensorboardX 这个工具使得 TensorFlow 外的其他神经网络框架也可以使用到 Tensorboard 的便捷功能。
.安装了tensorflow会自动安装tensorboard

tensorboardx依赖于tensorboard和ternsorflow
tensorflow依赖于tensorboard

安装

pip install tensorboardX

创建SummaryWriter实例

以下展示了三种初始化 SummaryWriter 的方法：

1.提供一个路径，将使用该路径来保存日志

代码：

from tensorboardX import SummaryWriter
writer = SummaryWriter('runs/another_scalar_example/11')

目录结构：

2.无参数，默认将使用 runs/日期时间 路径来保存日志

代码：

from tensorboardX import SummaryWriter
writer = SummaryWriter()

目录结构：

3.提供一个 comment 参数，将使用 runs/日期时间-comment 路径来保存日志

代码：

from tensorboardX import SummaryWriter
writer = SummaryWriter(comment="abc")

目录结构：

接下来，我们就可以调用 SummaryWriter 实例的各种 add_something 方法向日志中写入不同类型的数据了。

各种add方法使用

add_scalar

方法各参数介绍

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

• tag (string): 数据名称，不同名称的数据使用不同曲线展示
• scalar_value (float): 数字常量值
• global_step (int, optional): 训练的 step
• walltime (float, optional): 记录发生的时间，默认为 time.time()

举例

1.例子1
代码：

from tensorboardX import SummaryWriter
writer = SummaryWriter()
for i in range(10):
    writer.add_scalar('quadratic', i**2, global_step=i)
    writer.add_scalar('exponential', 2**i, global_step=i)

在浏览器可视化界面中效果如下：

不同名称的数据使用不同曲线展示

2.例子2
代码：

from tensorboardX import SummaryWriter
writer = SummaryWriter()
for i in range(10):
    writer.add_scalar('quadratic', i**2, global_step=i)
    writer.add_scalar('quadratic', i**4, global_step=i)

在浏览器可视化界面中效果如下：

本质过程就是描点，然后用直线按照描点顺序把各点链接起来

再例如
代码：

from tensorboardX import SummaryWriter
writer = SummaryWriter()
for i in range(10):
    writer.add_scalar('quadratic', i, global_step=i)
    writer.add_scalar('quadratic', i**2, global_step=i)
for i in range(10):
    writer.add_scalar('quadratic', -i**3, global_step=i)

在浏览器可视化界面中效果如下：

3.例子3
第一次执行程序代码：

from tensorboardX import SummaryWriter
writer = SummaryWriter("runs/exp")
for i in range(10):
    writer.add_scalar('quadratic', i**2, global_step=i)

第二次执行程序代码(第二次执行不删除第一次生成的目录文件夹)：

from tensorboardX import SummaryWriter
writer = SummaryWriter("runs/exp")
for i in range(10):
    writer.add_scalar('quadratic', -i**2, global_step=i)

最终的目录结构：

在浏览器可视化界面中效果如下：

要启动tensorboard，必须指定它的logdir（默认为runs）: tensorboard会在你指定的这个log-dir里面做路径搜索，寻找所有的events文件以及子文件夹中的events文件。在同一个目录下的两个events文件，数据名称相同，最终可视化结果是两个阶段的描点按照顺序的组合。也就是第一阶段最后一个点和第二阶段第一个点也有直线连接。

4.例子4
目录结构：

在浏览器可视化界面中效果如下：

tensorboard会在你指定的这个log-dir里面做路径搜索，寻找所有的events文件以及子文件夹中的events文件。路径相同的events文件可视化的图形线条颜色一样,如果文件路径不同但是数据名称相同，则会被用不同线条颜色画到同一个图里面。

add_graph

使用 add_graph 方法来可视化一个神经网络。

参数介绍

add_graph(model, input_to_model=None, verbose=False, **kwargs)

• model (torch.nn.Module): 待可视化的网络模型
• input_to_model (torch.Tensor or list of torch.Tensor, optional): 待输入神经网络的变量或一组变量。输入的是一个元组，且各变量的维度一定要满足网络的实际输入需求，因为网络的输入变量个数大于等于1.

Original: https://blog.csdn.net/baidu_39211350/article/details/120487820
Author: baidu_39211350
Title: tensorboardX详解

相关阅读

Title: python金融数据分析及可视化

目录

• 1、数据来源——Wind金融终端
• 2、数据读取及其基本描述
• 3、收盘价与成交量关系图
• 4、收益率曲线
• 5、K线图
• 6、移动平均线

1、数据来源——Wind金融终端

在Wind数据库中下载到的宁德时代（代码300750.SZ）从2020-01-03到2021-12-31共485个数据，包括开盘价，最高价，最低价，收盘价以及交易量。
(需要数据进行操作的同学可以在我的资源上下载，由于Wind资讯金融终端不是免费的，而且作为喜欢白嫖的我们，有什么办法得到免费的数据呢，下次找到了一定分享给大家zll[doge]）

; 2、数据读取及其基本描述

import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_excel('....../300750SZ.xls')

此处注意新版pandas.read_excel()函数并不支持.xlsx文件的读取，因此需要将数据文件类型转化为xls（或者可以用其他库函数，不过我觉得这个办法是最简单的）

df = pd.DataFrame(data)
df.head()

将数据data转化为DataFrame类型，并打印出前五行：

df.describe()

3、收盘价与成交量关系图

df['close'].plot()

df[['close','volume']].plot(subplots=True)

基本上我们就可以得到收盘价与成交量之间的关系图了，但是从两张图中来看，其x轴均不是日期，并且成交量一般使用的是柱状图，所以，我们加一点点细节让图变得好看一些。

list_date = list(df['Date'])
df.index = list_date

price = df['close']
volumes = df['volume']
top = plt.subplot2grid((4,4), (0,0), rowspan=3, colspan=4)
top.plot(price.index, price, label='close')
plt.title('300750.SZ Close Price from 2020-2021')
plt.legend(loc=2)

bottom = plt.subplot2grid((4,4), (3,0), rowspan=1, colspan=4)
bottom.bar(volumes.index, volumes)
plt.title('300750.SZ Daily Trading Volume')

plt.gcf().set_size_inches(12,8)
plt.subplots_adjust(hspace=0.75)

4、收益率曲线

（>......

Original: https://blog.csdn.net/weixin_47974364/article/details/123408886
Author: 貮叁
Title: python金融数据分析及可视化