Windows Terminal 使用TensorBoard可视化方法

最新推荐文章于 2024-05-03 17:23:38 发布

进阶_

最新推荐文章于 2024-05-03 17:23:38 发布

阅读量640

点赞数

分类专栏：深度学习文章标签：可视化神经网络

本文链接：https://blog.csdn.net/Freedom_sky_/article/details/115301258

版权

深度学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

参考：https://github.com/TingsongYu/PyTorch_Tutorial

配置部分

1、点击终端的设置，修改settings.json文件中之前配置好的连接服务器的代码（"list"部分），如下：

 {
     "guid": "{通过在线生成获取}",
     "hidden": false,
     "name": "自定义服务器名字",
     "commandline": "powershell.exe ssh -L 16006:127.0.0.1:6006 用户名@ip地址 -p端口号"
 }

2、训练模型（下文给出），建立日志目录(mkdir)

3、终端输入：

tensorboard --logdir="./log_path" --port=6006

4、本地浏览器即可访问：

127.0.0.1:16006

训练模型可视化部分------使用TensorBoardX类

0、解决冲突

由于在同一环境中安装pytorch、tensorflow以及tensorboard,产生冲突，故代码前首先添加：

 import tensorflow as tf
 import tensorboard as tb
 tf.io.gfile = tb.compat.tensorflow_stub.io.gfile

1、常用可视化函数

add_scalar()：可用于loss/accuracy单个曲线记录，示例：

import numpy as np
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter(log_dir='./logs')


for n_iter in range(100):
    writer.add_scalar('Loss/train', losstr.item(), n_iter)
    writer.add_scalar('Loss/test', lossva.item(), n_iter)
    writer.add_scalar('Accuracy/train', acctr.item(), n_iter)
    writer.add_scalar('Accuracy/test', accva.item(), n_iter)

add_scalars()：多个曲线对比记录

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

writer = SummaryWriter()

for n_iter in range(100):
    writer.add_scalars('Loss/Accuracy', {'loss': loss.item(), 'acc': acc.item()}, n_iter)

add_histogram()：监测权值和梯度的分布变化情况

for n_iter in range(100):
    for name, param in model.named_parameters():
        writer.add_histogram(name + '_grad', param.grad, n_iter)
        writer.add_histogram(name + '_data', param, n_iter)

add_image()：检查模型的输入，监测feature map的变化

make_grid()：将一组图片拼接成一张图片可视化

import  torchvision.utils as utils
for n_iter in range(100):
    if n_iter % 10 == 0:
        # img (B*C*H*W); nrow: 行数; scale_each：是否单张图片标准化
        x = utils.make_grid(img, nrow=4, normalize=True, scale_each=True) 
    	writer.add_image('Image', x, n_iter)  # x.size：(3, 266, 530) (C*H*W)

add_graph()：网络结构拓扑图

model = Net().to(device)
input = torch.rand(B, C, H, W)
writer.add_graph(model, input)

add_embedding()：在三维空间或二维空间展示数据分布(T-SNE/PCA/CUSTOM三种方法)

images = train_set.train_data[:100].float()
label = train_set.train_label[:100]
# 将二维图片转成一维数据   D: 特征维数
features = images.view(100, D)  
# label_img: 空间中展示的图片，shape=(N, C, H, W)，N为类别数
writer.add_embedding(features, metadata=label, label_img=images.unsqueeze(1))

add_text()：添加文本，输出需要的信息

for n_iter in range(100):
    writer.add_text('CNN', 'this is epoch ' + str(n_iter), n_iter)

add_figure()：添加一个matplotlib图像并显示，与add_image()类似
```
writer.add_figure('ImageName', plt, n_iter, dataformats='NCHW')
```

add_image_with_boxes()：图像中绘制Box，目标检测用

# img_tensor：默认(3, H, W)
# box_tensor：(xmin, ymin, xmax, ymax)
writer.add_image_with_boxes(tag, img_tensor, box_tensor, global_step=None, walltime=None, dataformats='CHW', labels=None, **kwargs)

add_pr_curve()：添加精度召回曲线

# labels/predictions：numpy数据
writer.add_pr_curve('pr_curve', labels, predictions, n_iter)

2、卷积核可视化

#卷积核可视化
def show_kernal(model):
    # 可视化卷积核
    for name, param in model.named_parameters():
        if 'conv' in name and 'weight' in name:
            c_int = param.size()[1] # 输入通道数
            c_out = param.size()[0]  # 输出通道，表示卷积核的个数
            
            # 将一个卷积层的卷积核绘制在一起，每一行是一个feature map的卷积核
            k_w, k_h = param.size()[-1], param.size()[-2]
            kernel_all = param.view(-1, 1, k_w, k_h)
            kernel_grid = vutils.make_grid(kernel_all, normalize=True, scale_each=True, nrow=c_int)  # 1*输入通道数, w, h
            writer.add_image(k + '_all', kernel_grid, global_step=666)
writer.close()

3、特征图可视化

import torchvision.utils as vutils
# 获取图片
test_loader = DataLoader(dataset=test_data, batch_size=1)
img, label = iter(test_loader).next()
writer = SummaryWriter(log_dir=log_dir)
for name, layer in net._modules.items():
    # 为fc层预处理x
    x = x.view(img.size(0), -1) if "fc" in name else x
    # 对x执行单层运算
    x = layer(x)
    print(x.size())
    # 由于__init__()相较于forward()缺少relu操作，需要手动增加
    x = F.relu(x) if 'conv' in name else x

    # 依据选择的层，进行记录feature maps
    if  'layer' in name or 'conv' in name:
        # 绘制feature maps，若图片为CBHW，转为BCHW，单通道特征图
        x1 = x.transpose(0, 1) 
        img_grid = vutils.make_grid(x1, normalize=True, scale_each=True, nrow=2)  # B，C, H, W
        writer.add_image(vis_layer + '_feature_maps', img_grid, global_step=666)

writer.close()

4、梯度及权值可视化

通过记录每个epoch的梯度值来监测梯度情况、记录权值、分析权值更新的方向。

for n_iter in range(100):
    for name, layer in net.named_parameters():
        writer.add_histogram(name + '_grad', layer.grad.cpu().data.numpy(), n_iter)
        writer.add_histogram(name + '_data', layer.cpu().data.numpy(), n_iter)

注意：

关于权值weights

权值最开始是一个标准的相对集中的高斯分布，越到后期，权值随着训练不断扩大。但是权值太大容易导致过拟合，因为模型的输出值会被该特征所主导，从而产生过拟合，此时可以通过**设置更大的权值衰减(weight_decay)**来缓解。
关于偏置bias

每个类别随着训练的进行，都有相对固定的bias大小，若某个类别的bias特别大或特别小，其**召回率(某一类别的图片预测正确的概率)**会很低
关于梯度

倘若前几层网络的梯度非常小，可能是梯度流通不畅导致，可以考虑残差结构或辅助残差结构层等trick来解决梯度消失。同时可为梯度小的层设置更大的学习率，梯度大的层设置小的学习率

5、混淆矩阵及其可视化

混淆矩阵常用来观察分类结果，其获取：

conf_mat = np.zeros([cls_num, cls_num])
for i in range(len(labels)):
    true_i = np.array(labels[i])
    pre_i = np.array(predicted[i])
    conf_mat[true_i, pre_i] += 1.0
    

confusion_mat_N = conf_mat.copy()
for i in range(len(classes_name)):
    confusion_mat_N[i, :] = conf_mat[i, :] / conf_mat[i, :].sum()

    # 获取颜色
    cmap = plt.cm.get_cmap('Greys')  # 更多颜色: http://matplotlib.org/examples/color/colormaps_reference.html
    plt.imshow(confusion_mat_N, cmap=cmap)
    plt.colorbar()

    # 设置文字 classes_name: list,各类别名称
    xlocations = np.array(range(len(classes_name)))
    plt.xticks(xlocations, classes_name, rotation=60)
    plt.yticks(xlocations, classes_name)
    plt.xlabel('Predict label')
    plt.ylabel('True label')
    plt.title('Confusion_Matrix_valid')

    # 打印数字
    for i in range(confusion_mat_N.shape[0]):
        for j in range(confusion_mat_N.shape[1]):
            plt.text(x=j, y=i, s=int(conf_mat[i, j]), va='center', ha='center', color='red', fontsize=10)
            # 保存
            plt.savefig('Confusion_Matrix_valid.jpg')
            plt.close()

进阶_

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
Windows Terminal 使用TensorBoard可视化方法

参考：https://github.com/TingsongYu/PyTorch_Tutorial配置部分1、点击终端的设置，修改settings.json文件中之前配置好的连接服务器的代码（"list"部分），如下： { "guid": "{通过在线生成获取}", "hidden": false, "name": "自定义服务器名字", "commandline": "powershell.exe ssh -L 16006:127.0.0.1:6006 用.
复制链接

扫一扫