Pytorch 可视化——Torchinfo以及TensorBoard(服务器使用)

本文介绍了Pytorch中使用torchinfo和TensorBoard进行模型可视化和训练过程监控的方法。torchinfo提供详细的模型结构和参数信息,而TensorBoard则用于实时展示训练进度和指标。在服务器上安装和使用TensorBoard时,可能遇到命令找不到或导入错误的问题,可以通过指定版本或修改文件解决。
摘要由CSDN通过智能技术生成

Pytorch 可视化——Torchinfo以及TensorBoard

注:本文为学习 DataWhale 开源教程《深入浅出 Pytorch》学习笔记,仅记录笔者认为价值较大、使用较少的知识点。

一、可视化库安装

​ Pytorch 自身仅提供了简单的可视化功能,即打印模型,会展现模型的基本结构,例如运行下列代码:

import torchvision.models as models
model = models.resnet18()
print(model)

​ 以上代码加载了 torchvision 中定义好的 resnet18 模型,并直接打印出来,结果如图:

在这里插入图片描述

​ 第三方库 torchinfo 提供了更完备的可视化功能,我们可通过 conda 命令安装该第三方库:

conda install -c conda-forge torchinfo

二、简单使用

​ 该库可直接通过 summary 函数使用即可,需要的两个参数为模型及输入维度:

summary(resnet18, (1, 3, 224, 224))
# 1 为batch_size

​ 打印结果如图:

在这里插入图片描述

​ 如图,可以便捷地看到输入在每一层的维度以及该层的参数数量。

三、可视化训练过程

​ 在训练过程中,除了简单打印之外,我们还可以通过第三方库 tensorBoard 来实现训练过程的可视化。

3.1 常规安装过程

​ 常规情况下,可通过 conda 安装:

conda install tensorBoardX

​ 安装完成之后,首先配置训练过程记录的存放位置:

from tensorboardX import SummaryWriter
writer = SummaryWriter('./cache')
# 此处配置在当前工作目录的子目录 cache 下面

​ 接着通过以下命令可以运行 tensorBoard:

tensorboard --logdir=/path/to/logs/

​ 由于笔者在服务器上使用 Pytorch,因此需要在服务器上配置安装 tensorBoard,在服务器上的安装略有不同,见下文。

3.2 服务器安装 TensorBoard

​ 在服务器上安装 tensorBoard,基本流程大致类似,但会遇到一些其他问题,笔者在此将整体流程和遇到的问题列于下,供读者参考。

​ 首先同样需要通过 conda 或 pip 安装该库,并在 Python 环境中设置保存路径。

​ 接着运行下列命令运行 tensorBoard:

tensorboard --logdir=/home/user/notebook/cache --port=8081

​ 同常规情况不同的是,在此需要指定运行端口号,之后在本地通过 ip:端口号即可访问 tensorBoard 界面,同时,此处需指明数据文件的存储位置。例如笔者使用服务器 ip 为 1.1.1.1234,则通过 1.1.1.1234:8081 即可访问该界面。

​ 安装过程中遇到的几个问题:

  1. 运行该命令提示找不到该命令,如下:

    在这里插入图片描述

​ 该问题解决方案:重装 tensorBoard 1.15.0 版本,可使用 pip 命令:

pip install tensorboardX==1.15.0
  1. 运行该命令提示无法导入 Mapping,如下:

    在这里插入图片描述

​ 该问题解决方案:找到报错的文件路径(即 xx/collections/_init_.py),打开该文件,在文件中加入:

from collections.abc import Mapping

3.3 使用

​ 首先定义一个模型:

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3,out_channels=32,kernel_size = 3)
        self.pool = nn.MaxPool2d(kernel_size = 2,stride = 2)
        self.conv2 = nn.Conv2d(in_channels=32,out_channels=64,kernel_size = 5)
        self.adaptive_pool = nn.AdaptiveMaxPool2d((1,1))
        self.flatten = nn.Flatten()
        self.linear1 = nn.Linear(64,32)
        self.relu = nn.ReLU()
        self.linear2 = nn.Linear(32,1)
        self.sigmoid = nn.Sigmoid()

    def forward(self,x):
        x = self.conv1(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = self.pool(x)
        x = self.adaptive_pool(x)
        x = self.flatten(x)
        x = self.linear1(x)
        x = self.relu(x)
        x = self.linear2(x)
        y = self.sigmoid(x)
        return y

model = Net()
print(model)

​ 接着使用 add_graph 函数启用 tensorBoard:

writer.add_graph(model, input_to_model = torch.rand(1, 3, 224, 224))
writer.close()

​ 然后在浏览器打开对应网页即可:

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值