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：

1. 读入数据并进行适当的转换（与之前的教程几乎相同）。
2. 设置 TensorBoard。
3. 写入 TensorBoard。
4. 使用 TensorBoard 检查模型架构。
5. 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：

标签：tensorboard,模型,labels,preds,可视化,TensorBoard,images,data,self
来源： https://blog.csdn.net/weixin_40653652/article/details/120324436