Note
Click here to download the full example code
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。
开始之前¶
要运行此教程，您需要安装PyTorch、TorchVision、Matplotlib和TensorBoard。
使用 conda：
conda install pytorch torchvision -c pytorch
conda install matplotlib tensorboard
使用 pip：
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。
# 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
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：
# 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)
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。
# 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/
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 <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：
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)
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：
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()
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：
# 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()
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：
# 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()
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 <https://pytorch.org/docs/stable/tensorboard.html?highlight=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 <https://www.tensorflow.org/tensorboard>`__
Total running time of the script: ( 0 minutes 0.000 seconds)
