使用PyTorch的TensorBoard-可視化深度學(xué)習(xí)指標(biāo) | PyTorch系列（二十五）

點擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達

在本系列的這一點上，我們剛剛完成了訓(xùn)練過程中的網(wǎng)絡(luò)運行。現(xiàn)在，我們希望獲得有關(guān)此過程的更多指標(biāo)，以更好地了解幕后情況。

鳥瞰我們在訓(xùn)練過程中所處的位置。

• 準(zhǔn)備數(shù)據(jù)

• 建立模型

• 訓(xùn)練模型

• 分析模型的結(jié)果

• 為此使用TensorBoard

TensorBoard提供了機器學(xué)習(xí)實驗所需的可視化和工具：

• 跟蹤和可視化指標(biāo)，例如損失和準(zhǔn)確性

• 可視化模型圖（操作和圖層）

• 查看權(quán)重，偏差或其他張量隨時間變化的直方圖

• 將embedding 投影到較低維度的空間

• 顯示圖像，文本和音頻數(shù)據(jù)

• 分析TensorFlow程序

• 以及更多

從PyTorch 1.1.0版開始，PyTorch添加了一個tensorboard實用程序包，使我們能夠?qū)ensorBoard與PyTorch一起使用。

print(torch.__version__)1.1.0

from torch.utils.tensorboard import SummaryWriter

要為PyTorch安裝TensorBoard，請執(zhí)行以下步驟：

1. 確認您正在運行PyTorch版本1.1.0或更高版本。

2. 確認您正在運行TensorBoard 1.15或更高版本。

3. 請注意，PyTorch使用的TensorBoard與為TensorFlow創(chuàng)建的TensorBoard相同。使用以下命令檢查系統(tǒng)上安裝的TensorBoard的版本：

tensorboard --version

4. 使用以下命令安裝TensorBoard。

pip install tensorboard

5. 一旦安裝了TensorBoard 1.15或更高版本，我們就可以開始了！

請注意，PyTorch文檔說TensorBoard版本1.14是必需的。

TensorBoard是一個字體結(jié)尾的Web界面，實際上從文件中讀取數(shù)據(jù)并顯示它。要使用TensorBoard，我們的任務(wù)是將我們要顯示的數(shù)據(jù)保存到TensorBoard可以讀取的文件中。

為了使我們更輕松，PyTorch創(chuàng)建了一個名為SummaryWriter的實用程序類。要訪問此類，我們使用以下導(dǎo)入：

from torch.utils.tensorboard import SummaryWriter

導(dǎo)入該類后，我們可以創(chuàng)建該類的實例，然后將其用于將數(shù)據(jù)從程序中獲取到文件系統(tǒng)中，然后由TensorBoard進行使用。

SummaryWriter類帶有許多方法，我們可以調(diào)用這些方法來有選擇地選擇和選擇我們希望TensorBoard可以使用的數(shù)據(jù)。首先，我們將網(wǎng)絡(luò)和一批圖像傳遞給編寫者。

tb = SummaryWriter()
network = Network()images, labels = next(iter(train_loader))grid = torchvision.utils.make_grid(images)
tb.add_image('images', grid)tb.add_graph(network, images)tb.close()

該代碼為TensorBoard創(chuàng)建一個名為tb的SummaryWriter實例。然后，創(chuàng)建我們的PyTorch網(wǎng)絡(luò)的實例，并從我們的PyTorch數(shù)據(jù)加載器對象中解壓縮一批圖像和標(biāo)簽。

然后，將圖像和網(wǎng)絡(luò)添加到TensorBoard將使用的文件中。實際上，可以說網(wǎng)絡(luò)圖和圖像的batch都已添加到TensorBoard中。

?

要啟動TensorBoard，我們需要在終端上運行tensorboard命令。這將啟動一個本地服務(wù)器，該服務(wù)器將為TensorBoard UI和我們的SummaryWriter寫入磁盤的數(shù)據(jù)提供服務(wù)。

默認情況下，PyTorch SummaryWriter對象將數(shù)據(jù)寫入在當(dāng)前工作目錄中創(chuàng)建的名為./runs的目錄中的磁盤。

當(dāng)運行tensorboard命令時，我們傳遞一個參數(shù)來告訴tensorboard數(shù)據(jù)在哪里。就像這樣：

tensorboard --logdir=runs

TensorBoard服務(wù)器將啟動并正在偵聽端口6006上的http請求。這些詳細信息將顯示在控制臺中。

通過瀏覽至以下位置訪問TensorBoard UI：

http://localhost:6006

在這里，我們將能夠看到我們的網(wǎng)絡(luò)圖和圖像數(shù)據(jù)。目前，這確實為我們提供了視覺效果，但沒有接下來的有用。

我們可以添加到TensorBoard的下一個數(shù)據(jù)導(dǎo)入類型是數(shù)字數(shù)據(jù)。我們可以添加將隨時間或epoch 顯示的標(biāo)量值。我們還可以將值添加到直方圖中以查看值的頻率分布。

要添加標(biāo)量和直方圖，我們使用PyTorch SummaryWriter類提供的相應(yīng)方法。

這是調(diào)用的示例：

tb.add_scalar('Loss', total_loss, epoch)tb.add_scalar('Number Correct', total_correct, epoch)tb.add_scalar('Accuracy', total_correct / len(train_set), epoch)
tb.add_histogram('conv1.bias', network.conv1.bias, epoch)tb.add_histogram('conv1.weight', network.conv1.weight, epoch)tb.add_histogram('conv1.weight.grad', network.conv1.weight.grad, epoch)

這是一個示例，說明了如何將這些調(diào)用放在訓(xùn)練循環(huán)中：

network = Network()train_loader = torch.utils.data.DataLoader(train_set, batch_size=100)optimizer = optim.Adam(network.parameters(), lr=0.01)
images, labels = next(iter(train_loader))grid = torchvision.utils.make_grid(images)
tb = SummaryWriter()tb.add_image('images', grid)tb.add_graph(network, images)
for epoch in range(1):        total_loss = 0    total_correct = 0        for batch in train_loader: # Get Batch                # Pass Batch        # Calculate Loss        # Calculate Gradient        # Update Weights        tb.add_scalar('Loss', total_loss, epoch)    tb.add_scalar('Number Correct', total_correct, epoch)    tb.add_scalar('Accuracy', total_correct / len(train_set), epoch)        tb.add_histogram('conv1.bias', network.conv1.bias, epoch)    tb.add_histogram('conv1.weight', network.conv1.weight, epoch)    tb.add_histogram(        'conv1.weight.grad'        ,network.conv1.weight.grad        ,epoch    )        print(        "epoch", epoch,         "total_correct:", total_correct,         "loss:", total_loss    )    tb.close()

這會將這些值添加到TensorBoard中。這些值甚至在網(wǎng)絡(luò)訓(xùn)練時實時更新。

隨時間推移查看損失和準(zhǔn)確性值會很有幫助。但是，我們可能需要承認，實際上并不需要TensorBoard。

TensorBoard的真正功能是它具有開箱即用的比較多個運行的功能。這使我們能夠通過更改超參數(shù)值并比較運行來快速進行實驗，以查看哪些參數(shù)最有效。

文章中內(nèi)容都是經(jīng)過仔細研究的，本人水平有限，翻譯無法做到完美，但是真的是費了很大功夫，希望小伙伴能動動你性感的小手，分享朋友圈或點個“在看”，支持一下我?^_^

英文原文鏈接是：

https://deeplizard.com/learn/video/pSexXMdruFM

?謝謝你看到這里！??