Wandb:深度神经网络可视化工具介绍及本地部署方式

Wandb:深度神经网络可视化工具介绍及本地部署方式

使用官网可视化

安装
wandb是一个Python库,所以可以直接通过pip来安装:

pip install wandb

注册登陆
然后在wandb官网注册一个账号,并创建你的Team(可以拉入其它小伙伴)和你的Project,然后获取你的账号的私钥。在命令行执行:

wandb login

按提示输入API Key信息。

实例化

import wandb
# 还有其它参数可以配置
wandb.init(project="your_project_name")

使用方法

from transformers import BertModel
import wandb
# create your model
model = BertModel()
wandb.init(project="your project name")
#将model放进去会自动的检测训练过程中的模型不同组件的梯度信息
wandb.watch(model)
 
# 伪代码,以可视化loss例, 和tensorboard使用方式类似
for epoch in range(epochs):
    all_loss = []
    for item in data_loader:
        logits = model(item.x)
        loss = loss_f(logits, item.y)
        all_loss.append(loss.item)
    wandb.log({'train/loss': mean(all_loss)}, step=epoch)

wandb.watch(model) :可以为我们监视模型各个模块的梯度变化,例如:

本地Docker部署

拉取wandb server的docker镜像

#服务器上需要预先安装Dokcer
docker pull wandb/local

在https://deploy.wandb.ai/deploy 页面中申请得到 License

启动

sudo docker run --rm -d -e LOCAL_RESTORE=true -e HOST=http://<your host>:8080 -e LICENSE=<your license> -p 8080:8080 --name wandb-local wandb/local

手动添加用户
细节见: https://github.com/wandb/local/issues/66

# login the container
docker exec -it wandb-local bash
 
vi /vol/env/users.htpasswd  
# delete the line contain local@wandb.com
 
/usr/local/bin/local password <your add username>
# input your password
 
exit

登陆

# shell login
wandb login --host=http://<your host>:8080 <your api key>
 
# web site
http://<your host>:8080/home
  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
引用[1]:CSPNet: A New Backbone that can Enhance Learning Capability of CNN[^1]。引用:yolox在backbone部分引入的focus网络,类似于pooling的策略,但是他没有像maxpooling一样把小的feature丢掉,而是隔一个位置取一个值后堆叠到channel中,因为我们知道通道数越高,表征能力越强。再次我们看一下作者用silu替换了relu,silu的优势在于它是全局可导的,不存在不可导的0点。另外,在backbone部分,我们可以得到的启示就是,怎样将小的conv+bn+silu组成的基本卷积结构构造成不同类型的残差结构。另外,在head部分,作者认为yolov3中的类别和坐标放到一个1∗1卷积得到,会相互影响。因此把它分成两个分支[^2]。 有许多卷积神经网络可视化工具可用于可视化网络结构和特征图。以下是一些常用的工具: 1. TensorBoard:TensorBoard是TensorFlow的官方可视化工具,它可以用于可视化网络结构、训练过程和特征图。通过使用TensorBoard的`tf.summary.FileWriter`和`tf.summary.histogram`等函数,可以将网络结构和特征图保存为TensorBoard可读取的格式,并在浏览器中进行可视化展示。 2. Netron:Netron是一个开源的神经网络模型可视化工具,支持多种深度学习框架的模型可视化,包括TensorFlow、PyTorch、Caffe等。它可以直接加载模型文件,并以图形方式显示网络结构,方便用户进行可视化分析。 3. PyTorch的torchsummary和torchviz:PyTorch提供了torchsummary和torchviz两个库,可以用于可视化PyTorch模型的网络结构。torchsummary可以打印出模型的层次结构和参数数量,而torchviz可以生成模型的计算图。 4. Keras的plot_model:Keras提供了plot_model函数,可以将Keras模型保存为图像文件,以可视化网络结构。该函数可以将模型的层次结构、输入和输出形状等信息绘制成图形,方便用户进行可视化分析。 这些工具可以帮助您更好地理解和分析卷积神经网络的结构和特征图。您可以根据自己的需求选择适合的工具进行使用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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