pytorch tensorboard_Pytorch_文档例子（使用TENSORBOARD可视化模型，数据和培训）

使用TENSORBOARD可视化模型，数据和培训

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（与先前的教程几乎相同）。
2. 设置TensorBoard。
3. 写入TensorBoard。
4. 使用TensorBoard检查模型架构。
5. 使用TensorBoard以更少的代码创建我们在上一个教程中创建的可视化的交互式版本

具体来说，在第5点，我们将看到：

• 检查我们训练数据的几种方法
• 在训练过程中如何跟踪模型的性能
• 训练后如何评估模型的性能。

我们将从与CIFAR-10教程类似的样板代码开始：

import matplotlib.pyplot as pltimport numpy as npimport torchimport torchvisionimport torchvision.transforms as transformsimport torch.nn as nnimport torch.nn.functional as Fimport 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体系结构，仅需进行少量修改即可考虑以下事实：图像现在是一个通道而不是三个通道，而图像是28x28而不是32x32：

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optimizer与criterion之前定义相同：

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，tensorboard从我们的关键对象导入torch.utils并定义它SummaryWriter，该关键对象用于将信息写入TensorBoard。

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runs/fashion_mnist_experiment_1文件夹。

2.写入TensorBoard

现在，让我们写一个像我们TensorBoard -具体而言，网格-使用make_grid。

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

tensorboard --logdir=runs

从命令行，然后导航到https：// localhost：6006应该显示以下内容。

现在您知道如何使用TensorBoard了！但是，此示例可以在Jupyter Notebook中完成-TensorBoard真正擅长的地方是创建交互式可视化。我们将在接下来的内容中介绍其中之一，并在本教程结束时介绍更多内容。

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”标签，如下所示：

继续并双击“ Net”以展开它，查看构成模型的各个操作的详细视图。

TensorBoard具有非常方便的功能，可在低维空间中可视化高维数据，例如图像数据；接下来我们将介绍。

4.在TensorBoard中添加一个“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

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-每个图像784维-向下投影到三维空间中。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，有两个技巧可以使可视化效果更容易看到：在左上方选择“颜色：标签”，并启用“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

在前面的示例中，我们仅每2000次迭代打印一次模型的运行损失。现在，我们将运行损失记录到TensorBoard中，并通过模型查看模型所做的预测plot_classes_preds。

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，让我们使用与之前教程相同的模型训练代码来训练模型，但是每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，在训练过程中，我们将生成一幅图像，显示该批次中包含的四幅图像的模型预测与实际结果。

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

现在，您可以查看“标量”选项卡，以查看在15,000次训练迭代中绘制的运行损失：

此外，我们可以查看整个学习过程中模型在任意批次上所做的预测。查看“图像”选项卡，并在“预测与实际”可视化条件下向下滚动以查看此内容；这向我们表明，例如，仅经过3000次训练迭代，该模型就已经能够区分出视觉上截然不同的类，例如衬衫，运动鞋和外套，尽管它并没有像后来的训练那样有信心：

在之前的教程中，我们研究了模型训练后的每类准确性；在这里，我们将使用TensorBoard绘制每个类的精确调用曲线（此处有很好的解释）。

6.使用TensorBoard评估经过训练的模型

# 1. gets the probability predictions in a test_size x num_classes Tensor# 2. gets the preds in a test_size Tensor# takes ~10 seconds to run
class_probs = []
class_preds = []with torch.no_grad():for data in testloader:
images, labels = data
output = net(images)
class_probs_batch = [F.softmax(el, dim=0) for el in output]
_, class_preds_batch = torch.max(output, 1)
class_probs.append(class_probs_batch)
class_preds.append(class_preds_batch)
test_probs = torch.cat([torch.stack(batch) for batch in class_probs])
test_preds = torch.cat(class_preds)# helper functiondef add_pr_curve_tensorboard(class_index, test_probs, test_preds, global_step=0):
'''
Takes in a "class_index" from 0 to 9 and plots the corresponding
precision-recall curve
'''
tensorboard_preds = test_preds == class_index
tensorboard_probs = test_probs[:, class_index]
writer.add_pr_curve(classes[class_index],
tensorboard_preds,
tensorboard_probs,
global_step=global_step)
writer.close()# plot all the pr curvesfor i in range(len(classes)):
add_pr_curve_tensorboard(i, test_probs, test_preds)

现在，您将看到一个“ PR Curves”选项卡，其中包含每个类别的精确调用曲线。继续四处戳；您会看到，在某些类别上，模型的“曲线下面积”接近100％，而在另一些类别上，该面积更低：

这是TensorBoard和PyTorch与之集成的介绍。当然，您可以在Jupyter Notebook中完成TensorBoard所做的所有操作，但是使用TensorBoard，您可以获得默认情况下是交互式的视觉效果。