.. DO NOT EDIT. .. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY. .. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE: .. "beginner/introyt/tensorboardyt_tutorial.py" .. LINE NUMBERS ARE GIVEN BELOW. .. only:: html .. note:: :class: sphx-glr-download-link-note Click :ref:`here ` to download the full example code .. rst-class:: sphx-glr-example-title .. _sphx_glr_beginner_introyt_tensorboardyt_tutorial.py: `简介 `_ || `张量 `_ || `自动微分 `_ || `构建模型 `_ || **TensorBoard支持** || `训练模型 `_ || `模型理解 `_ PyTorch TensorBoard 支持 =========================== 跟随下面的视频或在 `youtube `__ 上观看。 .. raw:: html
开始之前 ---------------- 要运行此教程，您需要安装PyTorch、TorchVision、Matplotlib和TensorBoard。 使用 ``conda``： .. code-block:: sh conda install pytorch torchvision -c pytorch conda install matplotlib tensorboard 使用 ``pip``： .. code-block:: sh pip install torch torchvision matplotlib tensorboard 安装完依赖项后，请在安装它们的Python环境中重新启动此笔记本。 介绍 ------------ 在本笔记本中，我们将训练LeNet-5的变体，针对Fashion-MNIST数据集。 Fashion-MNIST是一组描绘各种服装的图像瓦片，有十个类标签指示所描绘的服装类型。 .. GENERATED FROM PYTHON SOURCE LINES 49-73 .. code-block:: default # PyTorch模型和训练必需品 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim # 图像数据集和图像操作 import torchvision import torchvision.transforms as transforms # 图像显示 import matplotlib.pyplot as plt import numpy as np # PyTorch TensorBoard支持 from torch.utils.tensorboard import SummaryWriter # 如果您使用的环境安装了TensorFlow（如Google Colab），请取消注释以下代码以避免将嵌入保存到TensorBoard目录时出现错误 # import tensorflow as tf # import tensorboard as tb # tf.io.gfile = tb.compat.tensorflow_stub.io.gfile .. GENERATED FROM PYTHON SOURCE LINES 74-79 在TensorBoard中显示图像 ----------------------------- 让我们从将数据集中的示例图像添加到TensorBoard开始： .. GENERATED FROM PYTHON SOURCE LINES 79-130 .. code-block:: default # 收集数据集并准备消费 transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) # 在./data中存储单独的训练和验证分割 training_set = torchvision.datasets.FashionMNIST('./data', download=True, train=True, transform=transform) validation_set = torchvision.datasets.FashionMNIST('./data', download=True, train=False, transform=transform) training_loader = torch.utils.data.DataLoader(training_set, batch_size=4, shuffle=True, num_workers=2) validation_loader = torch.utils.data.DataLoader(validation_set, batch_size=4, shuffle=False, num_workers=2) # 类标签 classes = ('T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle Boot') # 内联图像显示的辅助函数 def matplotlib_imshow(img, one_channel=False): if one_channel: img = img.mean(dim=0) img = img / 2 + 0.5 # 反归一化 npimg = img.numpy() if one_channel: plt.imshow(npimg, cmap="Greys") else: plt.imshow(np.transpose(npimg, (1, 2, 0))) # 提取一批4张图像 dataiter = iter(training_loader) images, labels = next(dataiter) # 从图像创建网格并显示它们 img_grid = torchvision.utils.make_grid(images) matplotlib_imshow(img_grid, one_channel=True) .. GENERATED FROM PYTHON SOURCE LINES 131-133 上面，我们使用TorchVision和Matplotlib创建了一个输入数据小批量的可视网格。下面，我们在``SummaryWriter``上使用``add_image()``调用来记录图像，以供TensorBoard使用，我们还调用``flush()``以确保它立即写入磁盘。 .. GENERATED FROM PYTHON SOURCE LINES 133-147 .. code-block:: default # 默认log_dir参数为"runs" - 但最好明确指定 # torch.utils.tensorboard.SummaryWriter在上面导入 writer = SummaryWriter('runs/fashion_mnist_experiment_1') # 将图像数据写入TensorBoard日志目录 writer.add_image('Four Fashion-MNIST Images', img_grid) writer.flush() # 要查看，请在命令行上启动TensorBoard： # tensorboard --logdir=runs # ...并在新的浏览器选项卡中打开http://localhost:6006/ .. GENERATED FROM PYTHON SOURCE LINES 148-157 如果您在命令行启动TensorBoard并在新的浏览器选项卡中打开它（通常在`localhost:6006 `__），您应该在IMAGES选项卡下看到图像网格。 绘制标量以可视化训练 -------------------------------------- TensorBoard对于跟踪训练的进度和效果很有用。下面，我们将运行一个训练循环，跟踪一些指标，并保存数据以供TensorBoard使用。 让我们定义一个模型来对我们的图像瓦片进行分类，以及用于训练的优化器和损失函数： .. GENERATED FROM PYTHON SOURCE LINES 157-183 .. code-block:: default 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() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) .. GENERATED FROM PYTHON SOURCE LINES 184-186 现在让我们训练一个epoch，并每1000批次评估一次训练与验证集的损失： .. GENERATED FROM PYTHON SOURCE LINES 186-229 .. code-block:: default print(len(validation_loader)) for epoch in range(1): # 在数据集上循环多次 running_loss = 0.0 for i, data in enumerate(training_loader, 0): # 基本训练循环 inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 1000 == 999: # 每1000个小批量... print('Batch {}'.format(i + 1)) # 对照验证集 running_vloss = 0.0 # 在评估模式下，可以省略一些特定于模型的操作，例如dropout层 net.train(False) # 切换到评估模式，例如关闭正则化 for j, vdata in enumerate(validation_loader, 0): vinputs, vlabels = vdata voutputs = net(vinputs) vloss = criterion(voutputs, vlabels) running_vloss += vloss.item() net.train(True) # 切换回训练模式，例如打开正则化 avg_loss = running_loss / 1000 avg_vloss = running_vloss / len(validation_loader) # 记录每批次平均的运行损失 writer.add_scalars('Training vs. Validation Loss', { 'Training' : avg_loss, 'Validation' : avg_vloss }, epoch * len(training_loader) + i) running_loss = 0.0 print('Finished Training') writer.flush() .. GENERATED FROM PYTHON SOURCE LINES 230-237 切换到您打开的TensorBoard，查看SCALARS选项卡。 可视化您的模型 ---------------------- TensorBoard还可用于检查模型内的数据流。为此，请使用模型和示例输入调用``add_graph()``方法： .. GENERATED FROM PYTHON SOURCE LINES 237-248 .. code-block:: default # 再次获取一个小批量的图像 dataiter = iter(training_loader) images, labels = next(dataiter) # add_graph()将通过您的模型跟踪示例输入， # 并将其渲染为图形。 writer.add_graph(net, images) writer.flush() .. GENERATED FROM PYTHON SOURCE LINES 249-258 当您切换到TensorBoard时，您应该会看到一个GRAPHS选项卡。双击"NET"节点可查看模型内的层和数据流。 使用嵌入可视化您的数据集 ---------------------------------------- 我们使用的28x28图像瓦片可以建模为784维向量（28 * 28 = 784）。将其投影到较低维度的表示形式可能会很有启发性。``add_embedding()``方法将一组数据投影到具有最高方差的三个维度上，并将它们显示为交互式3D图表。``add_embedding()``方法通过投影到具有最高方差的三个维度来自动执行此操作。 下面，我们将采样数据，并生成这样一个嵌入： .. GENERATED FROM PYTHON SOURCE LINES 258-281 .. code-block:: default # 选择随机子集的数据和相应的标签 def select_n_random(data, labels, n=100): assert len(data) == len(labels) perm = torch.randperm(len(data)) return data[perm][:n], labels[perm][:n] # 提取随机子集的数据 images, labels = select_n_random(training_set.data, training_set.targets) # 获取每个图像的类标签 class_labels = [classes[label] for label in labels] # 记录嵌入 features = images.view(-1, 28 * 28) writer.add_embedding(features, metadata=class_labels, label_img=images.unsqueeze(1)) writer.flush() writer.close() .. GENERATED FROM PYTHON SOURCE LINES 282-297 现在，如果您切换到TensorBoard并选择PROJECTOR选项卡，您应该会看到投影的3D表示。您可以旋转和缩放模型。在大小不同的尺度上检查它，看看您是否可以发现投影数据和标签聚类中的模式。 为了更好的可见性，建议： - 从左侧的"Color by"下拉菜单中选择"label"。 - 切换顶部的Night Mode图标，将浅色图像置于深色背景上。 其他资源 --------------- 有关更多信息，请查看： - PyTorch关于`torch.utils.tensorboard.SummaryWriter `__的文档 - `PyTorch.org教程 `__ 中的TensorBoard教程内容 - 有关TensorBoard的更多信息，请参阅`TensorBoard文档 `__ .. rst-class:: sphx-glr-timing **Total running time of the script:** ( 0 minutes 0.000 seconds) .. _sphx_glr_download_beginner_introyt_tensorboardyt_tutorial.py: .. only:: html .. container:: sphx-glr-footer sphx-glr-footer-example .. container:: sphx-glr-download sphx-glr-download-python :download:`Download Python source code: tensorboardyt_tutorial.py ` .. container:: sphx-glr-download sphx-glr-download-jupyter :download:`Download Jupyter notebook: tensorboardyt_tutorial.ipynb ` .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_