使用 tensorboard 可视化模型、数据和训练

2023-12-01 11:46:52

文章目录

摘要
1. TensorBoard 设置
2. 写入 TensorBoard
3. 使用 TensorBoard 检查模型
4. 向 TensorBoard 添加“投影仪”
5. 使用 TensorBoard 跟踪模型训练

摘要

为了了解发生了什么，我们在模型训练时打印出一些统计数据，以了解训练是否在进行。但是，我们可以做得更好：PyTorch 与 TensorBoard 集成，后者是一种用于可视化神经网络训练运行结果的工具。本教程使用 Fashion-MNIST 数据集说明了它的一些功能，该数据集可以使用 torchvision.datasets 读入 PyTorch。

在本教程中，我们将学习如何：

读入数据并进行适当的转换（与之前的教程几乎相同）。
设置 TensorBoard。
写入 TensorBoard。
使用 TensorBoard 检查模型架构。
使用 TensorBoard 创建我们在上一教程中创建的可视化的交互式版本，代码更少

具体来说，在第 5 点，我们将看到：几种检查训练数据的方法如何在训练时跟踪模型的性能如何在训练后评估模型的性能。

我们将从与 CIFAR-10 教程中类似的样板代码开始：

# imports
import matplotlib.pyplot as plt
import numpy as np

import torch
import torchvision
import torchvision.transforms as transforms

import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

# transforms
transform = transforms.Compose(
    [transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))])

# datasets
trainset = torchvision.datasets.FashionMNIST('./data',
    download=True,
    train=True,
    transform=transform)
testset = torchvision.datasets.FashionMNIST('./data',
    download=True,
    train=False,
    transform=transform)

# dataloaders
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                        shuffle=True, num_workers=2)


testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                        shuffle=False, num_workers=2)

# constant for classes
classes = ('T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
        'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle Boot')

# helper function to show an image
# (used in the `plot_classes_preds` function below)
def matplotlib_imshow(img, one_channel=False):
    if one_channel:
        img = img.mean(dim=0)
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    if one_channel:
        plt.imshow(npimg, cmap="Greys")
    else:
        plt.imshow(np.transpose(npimg, (1, 2, 0)))

我们将在该教程中定义一个类似的模型架构，只进行微小的修改以考虑到图像现在是一个通道而不是三个通道和 28x28 而不是 32x32 的事实：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x


net = Net()

我们将定义与之前相同的优化器和标准：

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

1. TensorBoard 设置

现在我们将设置 TensorBoard，从 torch.utils 导入 tensorboard 并定义一个 SummaryWriter，这是我们将信息写入 TensorBoard 的关键对象。

from torch.utils.tensorboard import SummaryWriter  # 
default `log_dir` is "runs" - we'll be more specific here 
writer = SummaryWriter('runs/fashion_mnist_experiment_1')

请注意，仅此行会创建一个 running/fashion_mnist_experiment_1 文件夹。

2. 写入 TensorBoard

现在让我们使用 make_grid 将图像写入 TensorBoard - 特别是网格。

# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()

# create grid of images
img_grid = torchvision.utils.make_grid(images)

# show images
matplotlib_imshow(img_grid, one_channel=True)

# write to tensorboard
writer.add_image('four_fashion_mnist_images', img_grid)

正在运行

3. 使用 TensorBoard 检查模型

TensorBoard 的优势之一是其可视化复杂模型结构的能力。让我们可视化我们构建的模型。

writer.add_graph(net, images) 
writer.close()

现在刷新 TensorBoard 后，您应该会看到一个“Graphs”选项卡，如下所示：

继续并双击“Net”以查看其展开，查看构成模型的各个操作的详细视图。
TensorBoard 有一个非常方便的功能，可以在低维空间中可视化高维数据，例如图像数据；我们接下来会介绍这个。

4. 向 TensorBoard 添加“投影仪”

我们可以通过 add_embedding 方法可视化高维数据的低维表示

# helper function
def select_n_random(data, labels, n=100):
    '''
    Selects n random datapoints and their corresponding labels from a dataset
    '''
    assert len(data) == len(labels)

    perm = torch.randperm(len(data))
    return data[perm][:n], labels[perm][:n]

# select random images and their target indices
images, labels = select_n_random(trainset.data, trainset.targets)

# get the class labels for each image
class_labels = [classes[lab] for lab in labels]

# log embeddings
features = images.view(-1, 28 * 28)
writer.add_embedding(features,
                    metadata=class_labels,
                    label_img=images.unsqueeze(1))
writer.close()

现在，在 TensorBoard 的“投影仪”选项卡中，您可以看到这 100 张图像——每张都是 784 维的——被投影到 3 维空间中。此外，这是交互式的：您可以单击并拖动以旋转三维投影。最后，一些使可视化更容易查看的提示：选择左上角的“颜色：标签”，以及启用“夜间模式”，这将使图像更容易看到，因为它们的背景是白色的：

5. 使用 TensorBoard 跟踪模型训练

在前面的例子中，我们简单地每 2000 次迭代打印模型的运行损失。现在，我们将把运行损失记录到 TensorBoard，同时查看模型通过 plot_classes_preds 函数所做的预测。

# helper functions

def images_to_probs(net, images):
    '''
    Generates predictions and corresponding probabilities from a trained
    network and a list of images
    '''
    output = net(images)
    # convert output probabilities to predicted class
    _, preds_tensor = torch.max(output, 1)
    preds = np.squeeze(preds_tensor.numpy())
    return preds, [F.softmax(el, dim=0)[i].item() for i, el in zip(preds, output)]


def plot_classes_preds(net, images, labels):
    '''
    Generates matplotlib Figure using a trained network, along with images
    and labels from a batch, that shows the network's top prediction along
    with its probability, alongside the actual label, coloring this
    information based on whether the prediction was correct or not.
    Uses the "images_to_probs" function.
    '''
    preds, probs = images_to_probs(net, images)
    # plot the images in the batch, along with predicted and true labels
    fig = plt.figure(figsize=(12, 48))
    for idx in np.arange(4):
        ax = fig.add_subplot(1, 4, idx+1, xticks=[], yticks=[])
        matplotlib_imshow(images[idx], one_channel=True)
        ax.set_title("{0}, {1:.1f}%\n(label: {2})".format(
            classes[preds[idx]],
            probs[idx] * 100.0,
            classes[labels[idx]]),
                    color=("green" if preds[idx]==labels[idx].item() else "red"))
    return fig

最后，让我们使用与上一教程相同的模型训练代码来训练模型，但每 1000 批将结果写入 TensorBoard，而不是打印到控制台；这是使用 add_scalar 函数完成的。
此外，在训练时，我们将生成一张图像，显示模型的预测与该批次中包含的四张图像的实际结果。

running_loss = 0.0
for epoch in range(1):  # loop over the dataset multiple times

    for i, data in enumerate(trainloader, 0):

        # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 1000 == 999:    # every 1000 mini-batches...

            # ...log the running loss
            writer.add_scalar('training loss',
                            running_loss / 1000,
                            epoch * len(trainloader) + i)

            # ...log a Matplotlib Figure showing the model's predictions on a
            # random mini-batch
            writer.add_figure('predictions vs. actuals',
                            plot_classes_preds(net, inputs, labels),
                            global_step=epoch * len(trainloader) + i)
            running_loss = 0.0
print('Finished Training')

您现在可以查看标量选项卡以查看在 15,000 次训练迭代中绘制的运行损失：

码农公寓