PyTorch【8】PyTorch可视化工具

Acewh

已于 2022-11-17 15:37:04 修改

阅读量1.8k

点赞数 4

分类专栏： PyTorch框架学习文章标签：深度学习 pytorch 计算机视觉

于 2022-10-03 16:29:31 首次发布

本文链接：https://blog.csdn.net/m0_63462829/article/details/127153454

版权

PyTorch框架学习专栏收录该内容

8 篇文章 5 订阅

订阅专栏

深度学习的可视化分为网络结构的可视化和训练过程的可视化，通过相关工具我们可以很方便的观察网络的结构和训练化过程。

数据准备

以手写数字为例，处理后的数据 shape 为：

train_data：shape为 (60000, 1, 28, 28)；值范围为 [0, 1]

test_data：shape为 (10000, 1, 28, 28)；值范围为 [0, 1]

from torch.utils.data import DataLoader
import torchvision
import torch

train_data = torchvision.datasets.MNIST(
    root='data/MNIST',
    transform=torchvision.transforms.ToTensor(),
    train=True,
    download=True
)
test_data = torchvision.datasets.MNIST(
    root='data/MNIST',
    train=False,
    transform=torchvision.transforms.ToTensor(),
    download=True
)

train_loader = DataLoader(dataset=train_data,batch_size=128,shuffle=True,drop_last=True)
# 取到原始的测试集特征数据 -> 值处理为 [0，1] -> 由 NWH 扩展为 NCWH
test_data_x = test_data.data/255.0
test_data_x = torch.unsqueeze(test_data_x,dim=1)
test_data_y = test_data.targets

网络创建

class MyModel(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(1,16,3,padding=1),
            nn.ReLU(),
            nn.AvgPool2d(2,2)
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(16, 32, 3, padding=1),
            nn.ReLU(),
            nn.AvgPool2d(2, 2)
        )
        self.fc = nn.Sequential(
            nn.Linear(32*7*7,128),
            nn.ReLU(),
            nn.Linear(128,64),
            nn.ReLU()
        )
        self.out = nn.Linear(64,10)
    def forward(self,x):
        x = self.conv1(x)	# bs,1,28,28 -> bs,16,14,14
        x = self.conv2(x)	# bs,16,14,14-> bs,32,7,7
        x = x.view(x.shape[0],-1)	# bs,32,7,7-> bs,32*7*7
        x = self.fc(x)		# bs,32*7*7-> bs,128 -> bs,64
        out = self.out(x)	# bs,64 -> bs,10
        return out
mymodel = MyModel()

一.网络结构可视化

1.torchsummary库

(1).pip install torchsummary

(2).输出网络结构_网络参数量_模型大小

from torchsummary import summary
summary(mymodel.cuda(),(1,28,28))
'''
----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1           [-1, 16, 28, 28]             160
              ReLU-2           [-1, 16, 28, 28]               0
         AvgPool2d-3           [-1, 16, 14, 14]               0
            Conv2d-4           [-1, 32, 14, 14]           4,640
              ReLU-5           [-1, 32, 14, 14]               0
         AvgPool2d-6             [-1, 32, 7, 7]               0
            Linear-7                  [-1, 128]         200,832
              ReLU-8                  [-1, 128]               0
            Linear-9                   [-1, 64]           8,256
             ReLU-10                   [-1, 64]               0
           Linear-11                   [-1, 10]             650
================================================================
Total params: 214,538
Trainable params: 214,538
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.33
Params size (MB): 0.82
Estimated Total Size (MB): 1.15
----------------------------------------------------------------
'''

2.PyTorchViz库

(1).pip install graphviz torchviz

(2).输出网络结构

from torchviz import make_dot
x = torch.randn(128,1,28,28)
y = mymodel(x)
g = make_dot(y)
g.format = 'png'	# 保存格式，默认为 pdf 格式
g.directory = './'	# 保存路径
g.view()

3.HiddenLayer库

(1).pip install hiddenlayer

(2).显示网络结构

import hiddenlayer as hl

g = hl.build_graph(mymodel,torch.Tensor(128,1,28,28))
g.save('mymodel_hl.png',format='png')

在这里插入图片描述

二.训练过程可视化

tensorboardX库

tensorboardX 是帮助 PyTorch 使用 tensorboard 工具来可视化的库。tensorboardX提供了多种向tensorboard中添加事件的函数。使用该库的基本流程如下：

创建编写器，保存日志
添加可视化变量
查看结果

(1).创建编写器，保存日志

from tensorboardX import SummaryWriter
SumWriter = SummaryWriter(logdir='./trainlog')	# log文件夹

(2).添加可视化变量

首先是正常的训练流程

optimizer = torch.optim.Adam(mymodel.parameters(),lr=0.0002)
loss_func = torch.nn.CrossEntropyLoss()
train_loss = 0
print_step = 16
for epoch in range(10):
    for i,(imgs,labels) in enumerate(train_loader):
        optimizer.zero_grad()
        output = mymodel(imgs)
        loss = loss_func(output,labels)
        loss.backward()
        optimizer.step()
        train_loss +=loss.item()

然后添加想要可视化的内容，例如训练过程中的损失值、准确率、图像等。

from sklearn.metrics import accuracy_score

for epoch in range(10):
    for i,(imgs,labels) in enumerate(train_loader):

        optimizer.zero_grad()
        output = mymodel(imgs)
        loss = loss_func(output,labels)
        loss.backward()
        optimizer.step()
        train_loss +=loss.item()

        batchdone = epoch*len(train_loader)+i+1
        # 每 print_step 个 batchdone记录一次变量的信息
        if batchdone % print_step == 0:
            # 在日志中添加训练集损失值：标签名；值；步长
            SumWriter.add_scalar(tag='train loss',scalar_value=train_loss,global_step=batchdone)
            # 在日志中添加测试集上的精度
            output = mymodel(test_data_x)
            pre_lab =torch.argmax(output,dim=1)
            acc = accuracy_score(test_data_y,pre_lab)
            SumWriter.add_scalar('test acc',acc,batchdone)
            # 在日志中添加训练数据的可视化图像，当前有 batch_size 个图像
            imgs_mg = vutils.make_grid(imgs,nrow=16)
            SumWriter.add_image('train images sample',imgs_mg,batchdone)
            # 在日志中添加使用直方图可视化网络参数的分布情况
            for name,value in mymodel.named_parameters():
                # value 为 Tensor 格式，首先取到其中的 data 值，再转为 numpy 格式
                SumWriter.add_histogram(name,value.data.numpy(),batchdone)

tensorboardX 常用功能（from tensorboardX import SummaryWriter）

函数	功能	用法
`SummaryWriter()`	创建日志编写器	`writer=SummaryWriter()`
`writer.add_scalar()`	添加标量	`add_scalar('tagname', value, global_step)`
`writer.add_image()`	添加图像	`add_image('tagname', value, global_step)`
`writer.add_histogram()`	添加直方图	`add_histogram('tagname', value, global_step)`
`writer.add_graph()`	添加网络结构	`add_graph(model, input_to_model=None, verbose=False)`
`writer.add_audio()`	添加音频	`add_audio('tagname', value, global_step)`
`writer.add_text()`	添加文本	`add_text('tagname', value, global_step)`
注意每个函数中参数的正确合理性，否则无法显示可视化界面