本文源自 http://studyai.com/pytorch-1.4/intermediate/tensorboard_tutorial.html
在 60分钟闪电战 中，我们展示了如何加载数据，如何为我们定义为 nn.Module 的子类的模型提供数据， 如何在训练数据上训练此模型，并在测试数据上测试它。 为了了解发生了什么，我们打印了一些统计数据，因为模型正在训练，以了解训练是否在进步。 然而，我们可以做得更好：PyTorch与TensorBoard集成，TensorBoard是一个用来可视化神经网络训练结果的工具。 本教程使用 Fashion-MNIST dataset 演示了它的一些功能，该数据集可以使用 torchvision.datasets 读入PyTorch。
在本教程中, 我们将学习如何:
读入数据并使用适当的变换（与前面的教程几乎相同）。
设置 TensorBoard.
写入 TensorBoard.
使用 TensorBoard 检查模型体系结构。.
使用 TensorBoard 创建我们在上一个教程中创建的可视化效果的交互版本，使用较少的代码
尤其是, 在第 #5 个知识点中, 我们将会看到:
检查训练数据的几种方法
如何跟踪模型在训练过程中的性能
如何评估我们的模型的性能，一旦它被训练完成后。
我们将从类似于 CIFAR-10教程 中的样板代码开始：
# imports
import matplotlib.pyplot as plt
import numpy as np
import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.nn.functional as F
import 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)))
我们将在本教程中定义一个类似的模型架构，只做一些小的修改，以说明图像现在是一个通道而不是三个通道，尺寸是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()
我们将定义与之前教程相同的 optimizer 和 criterion :
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
- TensorBoard 设置
现在我们将设置 TensorBoard, 从 torch.utils 导入 tensorboard ， 并定义一个 SummaryWriter, 这是我们向 TensorBoard 写入信息的关键对象.
from torch.utils.tensorboard import SummaryWriter
# 默认保存路径 `log_dir` 是 "runs" - 这里我们自己指定保存路径
writer = SummaryWriter('runs/fashion_mnist_experiment_1')
请注意执行上面这行代码将会创建一个文件夹： runs/fashion_mnist_experiment_1 .
- 向 TensorBoard 写入内容
现在我们向TensorBoard写入一张图片 - specifically, a grid - 使用 make_grid.
# 随机获取一些训练图片
dataiter = iter(trainloader)
images, labels = dataiter.next()
# 创建一个图片网格
img_grid = torchvision.utils.make_grid(images)
# 显示图片
matplotlib_imshow(img_grid, one_channel=True)
# 写入 tensorboard
writer.add_image('four_fashion_mnist_images', img_grid)
现在运行上面这段代码，
tensorboard --logdir=runs
在控制台中输入上面的命令，在浏览器中打开地址 https://localhost:6006 将会看到下面这样一幅图.
intermediate/../../_static/img/tensorboard_first_view.png
现在你已经知道了如何使用 TensorBoard 啦! 不过，这个例子可以在Jupyter Notebook 中完成——TensorBoard真正擅长的是创建交互式可视化。 接下来我们将介绍其中的一个，在本教程结束时还会介绍另外几个。
- 使用 TensorBoard 检查模型
TensorBoard的一个优点是它能够可视化复杂的模型结构。下面让我们可视化一下我们建立的模型。
writer.add_graph(net, images)
writer.close()
现在刷新浏览器的TensorBoard页面，你将会看到一个 “Graphs” 标签页，长得像下面这样:
intermediate/../../_static/img/tensorboard_model_viz.png
继续，双击 “Net” 查看它的扩展，查看构成模型的各个操作/算子的详细视图。
TensorBoard有一个非常方便的功能，可以可视化高维数据，比如低维空间中的图像数据；下面我们将讨论这个问题。
- 添加一个 “Projector” 到 TensorBoard
我们可以通过 add_embedding 方法来可视化高维数据的低维表示
# 辅助函数
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 “Projector” 标签页, 你可以看到100张图像 - 每一个都是 784 维 - 被降维投影到了三维空间。 而且还是可交互的：可以单击并拖动以旋转三维投影。
最后，我们给出一些使可视化更容易看到的提示：选择左上角的“color:label”，并启用“night mode”，这将使图像更容易看到，因为它们的背景是白色的：
intermediate/../../_static/img/tensorboard_projector.png
现在我们已经彻底检查了我们的数据，让我们展示TensorBoard如何从训练开始，使跟踪模型训练和评估更加清晰。
- 使用TensorBoard跟踪模型训练
在前面的例子中，我们只是每2000次迭代 打印 一次模型的运行损失。 现在，我们将把运行损失记录到TensorBoard中，同时查看模型通过 plot_classes_preds 函数进行的预测。
# 辅助函数
def images_to_probs(net, images):
'''
从经过训练的网络和图像列表生成预测和相应的概率
'''
output = net(images)
# 把输出概率转换为预测的类标签
_, 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):
'''
使用经过训练的网络以及一批图像和标签生成matplotlib图，该图显示网络的顶部预测及其概率，
并与实际标签一起，根据预测是否正确为该信息上色。使用 “images_to_probs” 函数。
'''
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，让我们使用之前教程中的相同模型训练代码来训练模型，但是每1000个批次将结果写入TensorBoard，而不是打印到控制台； 这是使用 add_scalar 函数完成的。
此外，当我们训练时，我们将生成一个图像，显示模型的预测与该批次中包含的四个图像的实际结果。
running_loss = 0.0
for epoch in range(1): # 在整个数据集上循环多次
for i, data in enumerate(trainloader, 0):
# 获取输入; 输入数据是一个列表 [inputs, labels]
inputs, labels = data
# 将参数梯度置零
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: # 每过 1000 个 mini-batches记录一次训练结果...
# ...记录运行中的损失
writer.add_scalar('training loss',
running_loss / 1000,
epoch * len(trainloader) + i)
# ...记录一个 Matplotlib Figure 展示模型在一个批次随机样本上的预测结果
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 scalars 选项卡，查看15000次训练迭代中绘制的运行损失：
intermediate/../../_static/img/tensorboard_scalar_runs.png
此外，我们可以查看模型在整个学习过程中对任意批次所做的预测。请参阅 “Images” 选项卡并在“预测与实际”可视化下向下滚动以查看此信息；这向我们显示， 例如，在仅3000次训练迭代之后，模型已经能够区分视觉上不同的类，如衬衫、运动鞋和外套，尽管它不像后期在训练中那样自信：
intermediate/../../_static/img/tensorboard_images.png
在上一个教程中，我们在模型经过训练后查看了每个类的预测准确性(accuracy)；在这里，我们将使用TensorBoard绘制每个类的precision-recall曲线 （关于precision-recall 这里 有很好的解释）。
- 使用TensorBoard访问训练好的模型
# 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 function
def 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 curves
for 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，其中包含每个类的precision-recall曲线。 继续往下看，你会发现在一些类中，模型有接近100%的“曲线下面积(AUC)”，而在其他类中，这个面积更低一些：
intermediate/../../_static/img/tensorboard_pr_curves.png
这就是TensorBoard和Pythorch的集成简介。当然，你可以在你的Jupyter Notebook上做TensorBoard所做的一切， 但是有了TensorBoard，你得到的视觉效果默认是交互式的。