使用TensorBoard可视化模型、数据和训练

创建日期：2019年8月8日 | 最后更新：2022年10月18日 | 最后验证：2024年11月5日

在60 Minute Blitz中， 我们向您展示了如何加载数据， 将其输入到我们定义为nn.Module子类的模型中， 在训练数据上训练此模型，并在测试数据上进行测试。 为了了解发生了什么，我们在模型训练时打印出一些统计数据， 以了解训练是否在进展。 然而，我们可以做得更好：PyTorch集成了 TensorBoard，这是一个专为可视化神经网络训练结果而设计的工具。 本教程展示了它的一些功能，使用了 Fashion-MNIST数据集， 可以使用torchvision.datasets将其读入PyTorch。

在本教程中，我们将学习如何：

1. 读取数据并进行适当的转换（与之前的教程几乎相同）。

2. 设置TensorBoard。

3. 写入TensorBoard。

4. 使用TensorBoard检查模型架构。

5. 使用TensorBoard创建我们在上一个教程中创建的交互式可视化，代码更少

具体来说，在第5点中，我们将看到：

• 几种检查我们训练数据的方法

• 如何跟踪我们模型在训练过程中的表现

• 如何评估我们模型训练后的性能。

我们将从与CIFAR-10教程中类似的样板代码开始：

# 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)))

我们将从该教程中定义一个类似的模型架构，仅进行少量修改以适应图像现在是一个通道而不是三个通道，并且尺寸为28x28而不是32x32的情况：

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()

我们将定义与之前相同的 optimizer 和 criterion：

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

1. 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

# default `log_dir` is "runs" - we'll be more specific here
writer = SummaryWriter('runs/fashion_mnist_experiment_1')

请注意，仅此一行就会创建一个runs/fashion_mnist_experiment_1文件夹。

2. 写入TensorBoard

现在让我们使用make_grid将图像写入我们的TensorBoard - 具体来说，是一个网格。

# get some random training images
dataiter = iter(trainloader)
images, labels = next(dataiter)

# create grid of images
img_grid = torchvision.utils.make_grid(images)

# show images
matplotlib_imshow(img_grid, one_channel=True)

# write to tensorboard
writer.add_image('four_fashion_mnist_images', img_grid)

正在运行

tensorboard --logdir=runs

从命令行启动并导航到 http://localhost:6006 应该会显示以下内容。

现在你已经知道如何使用TensorBoard了！然而，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。我们接下来将介绍其中一个，并在教程结束时介绍更多内容。

3. 使用TensorBoard检查模型

TensorBoard 的优势之一是其能够可视化复杂的模型结构。让我们可视化我们构建的模型。

writer.add_graph(net, images)
writer.close()

现在刷新TensorBoard后，你应该会看到一个“Graphs”标签，看起来像这样：

继续双击“Net”以查看其展开，查看构成模型的各个操作的详细视图。

TensorBoard 有一个非常方便的功能，可以将高维数据（如图像数据）可视化在低维空间中；我们接下来将介绍这一点。

4. 向TensorBoard添加“Projector”

我们可以通过add_embedding方法可视化高维数据的低维表示

# helper function
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”标签中，你可以看到这些100张图片——每张图片都是784维的——被投影到三维空间中。此外，这是交互式的：你可以点击并拖动来旋转三维投影。最后，有几个技巧可以让可视化更容易看到：在左上角选择“color: label”，并启用“night mode”，这将使图片更容易看到，因为它们的背景是白色的：

现在我们已经彻底检查了我们的数据，让我们展示一下 TensorBoard 如何使跟踪模型训练和评估更加清晰，从训练开始。

5. 使用TensorBoard跟踪模型训练

在前面的例子中，我们简单地打印了模型每2000次迭代的运行损失。现在，我们将把运行损失记录到TensorBoard中，同时通过plot_classes_preds函数查看模型的预测结果。

# helper functions

def images_to_probs(net, images):
    '''
    Generates predictions and corresponding probabilities from a trained
    network and a list of images
    '''
    output = net(images)
    # convert output probabilities to predicted class
    _, 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):
    '''
    Generates matplotlib Figure using a trained network, along with images
    and labels from a batch, that shows the network's top prediction along
    with its probability, alongside the actual label, coloring this
    information based on whether the prediction was correct or not.
    Uses the "images_to_probs" function.
    '''
    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，但每1000批次将结果写入TensorBoard而不是打印到控制台；这是通过使用add_scalar函数完成的。

此外，在我们训练的过程中，我们将生成一张图像，显示模型在该批次中包含的四张图像上的预测结果与实际结果的对比。

running_loss = 0.0
for epoch in range(1):  # loop over the dataset multiple times

    for i, data in enumerate(trainloader, 0):

        # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data

        # zero the parameter gradients
        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:    # every 1000 mini-batches...

            # ...log the running loss
            writer.add_scalar('training loss',
                            running_loss / 1000,
                            epoch * len(trainloader) + i)

            # ...log a Matplotlib Figure showing the model's predictions on a
            # random mini-batch
            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')

你现在可以查看标量选项卡，查看在15,000次训练迭代中绘制的运行损失：

此外，我们可以查看模型在学习过程中对任意批次做出的预测。请查看“Images”标签，并在“predictions vs. actuals”可视化下方滚动以查看此内容；这向我们展示了，例如，仅经过3000次训练迭代后，模型已经能够区分视觉上不同的类别，如衬衫、运动鞋和外套，尽管它在训练后期变得更加自信：

在之前的教程中，我们查看了模型训练后的每个类别的准确率；在这里，我们将使用TensorBoard来绘制每个类别的精确率-召回率曲线（好的解释这里）。

6. 使用TensorBoard评估训练好的模型

# 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_label = []
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_probs.append(class_probs_batch)
        class_label.append(labels)

test_probs = torch.cat([torch.stack(batch) for batch in class_probs])
test_label = torch.cat(class_label)

# helper function
def add_pr_curve_tensorboard(class_index, test_probs, test_label, global_step=0):
    '''
    Takes in a "class_index" from 0 to 9 and plots the corresponding
    precision-recall curve
    '''
    tensorboard_truth = test_label == class_index
    tensorboard_probs = test_probs[:, class_index]

    writer.add_pr_curve(classes[class_index],
                        tensorboard_truth,
                        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_label)

你现在会看到一个“PR曲线”标签，其中包含每个类别的精确率-召回率曲线。继续探索；你会发现在某些类别上，模型的“曲线下面积”接近100%，而在其他类别上这个面积较低：

这是对TensorBoard及其与PyTorch集成的介绍。 当然，你可以在Jupyter Notebook中完成TensorBoard所做的所有事情，但使用TensorBoard，你可以获得默认情况下具有交互性的视觉效果。