使用 TensorBoard 可视化模型、数据和训练

在60 分钟闪电战中，我们向你展示了如何加载数据、馈送数据到我们定义的nn.Module子类模型、在训练数据上训练这个模型以及在测试数据上对其进行测试。 为了了解发生的情况，我们在模型训练期间输出一些统计数据，以了解训练是否在进行中。 但是，我们可以做得更好：PyTorch与TensorBoard集成在一起，TensorBoard是一种工具，用于可视化神经网络训练运行的结果。 本教程使用Fashion-MNIST数据集说明了其某些功能，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（与上一教程几乎相同）。

2. 设置 TensorBoard。

3. 写入 TensorBoard。

4. 使用 TensorBoard 检查模型体系结构。

5. 使用 TensorBoard 创建我们在上一教程中创建的可视化效果的交互式版本，代码更少

具体来说，对于第5点，我们将看到：

• 几种方法来检查我们的训练数据

• 在训练过程中如何跟踪模型的效果

• 训练后如何评估模型的效果。

我们将从类似的样板代码开始，如CIFAR-10 教程中：

# 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体系结构，仅对映像现在是一个通道而不是 3 和 28x28 而不是 32x32 进行少量修改：

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，然后定义一个SummaryWriter，它是写入信息到 TensorBoard 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，仅此行就会创建runs/fashion_mnist_experiment_1文件夹。

2. 写入TensorBoard

现在，让我们把一个图像写到我们的TensorBoard -具体来说，一个网格-使用make_grid。

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

# 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)

现在运行

tensorboard --logdir=runs

于命令行，然后导航到 https://localhost:6006 应显示以下内容。

现在，您知道如何使用 TensorBoard！ 然而这个示例还可以在 Jupyter Notebook 中完成 — TensorBoard 真正擅长创建交互式可视化效果的地方。 接下来我们将介绍其中一个，并在本教程结束时进行其他介绍。

3. 使用 TensorBoard 检查模型

TensorBoard 的优势之一是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"选项卡，如下所示：

继续，双击"Net"以查看其扩展，查看构成模型的各个操作的详细视图。

TensorBoard 具有非常方便的功能，用于在较低维度空间中可视化高维数据，如图像数据;我们接下来再来介绍一下。

4. 向 TensorBoard 中添加“Projector”

通过add_embedding方法，可以可视化高维数据的低维表示形式

# 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"投影仪"选项卡中，您可以看到这 100 幅图像（每幅是 784 维）向下投影到三维空间中。 此外，这是交互式的：您可以单击并拖动以旋转三维投影。 最后，有几个提示使可视化更容易看到：选择左上角的"颜色：标签"，以及启用"夜间模式"，这将使图像更容易看到，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，让我们来展示一下，从训练开始，TensorBoard 如何使跟踪模型训练和评估更加清晰。

5. 使用 TensorBoard 跟踪模型训练

在前面的示例中，我们只是每 2000 次迭代 打印 模型运行时的损失。 现在，我们将记录运行时损失到 TensorBoard，同时通过plot_classes_preds函数查看模型正在进行的预测。

# 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，让我们使用上一教程中的相同模型训练代码来训练模型，但每 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，在训练时，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上的实际结果。

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')

现在，您可以查看 Scalars 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整个学习过程中对任意批处理所做的预测。 查看"图像"选项卡，并在"预测与实际值"可视化下向下滚动以查看此情况;这表明，例如，在仅仅经过 3000 次训练迭代之后，模型已经能够区分视觉上截然不同的类，如衬衫、运动鞋和外套，尽管它不像后来在培训时那样自信：

在之前的教程中，我们查看了模型训练后每类精度;在这里，我们将使用 TensorBoard 绘制每个类的精度调用曲线（此处有很好的解释）。

6. 使用 TensorBoard 评估训练后的模型

# 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)

现在你将看到一个"PR Curves"选项卡，其中包含每个类别的 precision-recall 曲线。 继续，四处闲逛;您将看到，在某些类中，模型具有近 100% 的"曲线下区域"，而在另一些类中，此区域较低：

这就是 TensorBoard 和 PyTorch 与之集成的一个介绍。 当然，你可以在 Jupyter Notebook 中执行 TensorBoard 能做的所有操作，但是使用 TensorBoard ，默认情况下你会获得具有交互功能的视觉对象。