使用 TensorBoard 可視化模型、資料和訓練

建立於：2019 年 8 月 8 日 | 最後更新：2022 年 10 月 18 日 | 最後驗證：2024 年 11 月 05 日

在 60 分鐘速成課程中，我們向您展示如何載入資料，將其輸入到我們定義為 nn.Module 子類別的模型中，在訓練資料上訓練此模型，並在測試資料上測試它。為了了解正在發生的事情，我們在模型訓練時印出一些統計數據，以了解訓練是否正在進行。 然而，我們可以做得更好：PyTorch 與 TensorBoard 整合，TensorBoard 是一種設計用於可視化神經網路訓練運行的結果的工具。 本教學說明了它的一些功能，使用 Fashion-MNIST 資料集，可以使用 torchvision.datasets 讀取到 PyTorch 中。

在本教學中，我們將學習如何

1. 讀取資料並使用適當的轉換 (幾乎與之前的教學相同)。

2. 設定 TensorBoard。

3. 寫入 TensorBoard。

4. 使用 TensorBoard 檢查模型架構。

5. 使用 TensorBoard 建立我們在上一個教學中建立的可視化的互動式版本，使用更少的程式碼

具體來說，在第 5 點，我們將看到

• 幾種檢查我們訓練資料的方法

• 如何在模型訓練時追蹤其效能

• 如何評估我們的模型在訓練後的效能。

我們將從與 CIFAR-10 教學中類似的樣板程式碼開始

# 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)))

我們將從該教學中定義類似的模型架構，僅進行微小的修改，以考慮到圖像現在是單通道而不是三個通道，以及 28x28 而不是 32x32

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()

我們將定義與之前相同的 optimizer 和 criterion

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

1. TensorBoard 設定

現在我們將設定 TensorBoard，從 torch.utils 導入 tensorboard 並定義 SummaryWriter，這是我們將資訊寫入 TensorBoard 的關鍵物件。

from torch.utils.tensorboard import SummaryWriter

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

請注意，僅此行就會建立一個 runs/fashion_mnist_experiment_1 資料夾。

2. 寫入 TensorBoard

現在讓我們使用 make_grid 將圖像（特別是網格）寫入我們的 TensorBoard。

# 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)

現在執行

tensorboard --logdir=runs

從命令列執行，然後導航到 https://127.0.0.1:6006 應該會顯示以下內容。

現在您知道如何使用 TensorBoard 了！ 然而，這個例子可以在 Jupyter Notebook 中完成 - TensorBoard 真正擅長的是創建互動式可視化。 我們將在接下來介紹其中一個，並在本教學結束時介紹更多。

3. 使用 TensorBoard 檢查模型

TensorBoard 的優勢之一是它能夠可視化複雜的模型結構。 讓我們可視化我們建立的模型。

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

現在重新整理 TensorBoard 後，您應該會看到一個「Graphs」標籤，如下所示

繼續並雙擊「Net」以展開它，查看構成模型的個別操作的詳細檢視。

TensorBoard 有一個非常方便的功能，可以將高維資料（例如影像資料）可視化為較低的維度空間； 我們將在接下來介紹這一點。

4. 在 TensorBoard 中加入「投影器」(Projector)

我們可以透過 add_embedding 方法，將高維度資料的可視化降維表示。

# 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()

現在在 TensorBoard 的「投影器」(Projector) 標籤中，你可以看到這 100 張圖片 - 每張圖片都是 784 維 - 被投影到三維空間中。 此外，這是互動式的：你可以點擊並拖動來旋轉三維投影。 最後，提供幾個讓可視化更容易觀看的技巧：在左上方選擇「color: label」，以及啟用「夜間模式」，這會讓圖片更容易觀看，因為它們的背景是白色的。

現在我們已經徹底檢查了我們的資料，讓我們展示 TensorBoard 如何讓追蹤模型訓練和評估更加清晰，從訓練開始。

5. 使用 TensorBoard 追蹤模型訓練

在先前的範例中，我們只是每 2000 次迭代印出模型的 running loss。 現在，我們將改為將 running loss 記錄到 TensorBoard 中，並透過 plot_classes_preds 函數查看模型所做的預測。

# 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

最後，讓我們使用與先前教學課程相同的模型訓練程式碼來訓練模型，但每 1000 個批次將結果寫入 TensorBoard，而不是列印到控制台； 這是使用 add_scalar 函數完成的。

此外，在我們訓練時，我們將產生一張圖片，顯示模型在該批次中包含的四張圖片上的預測與實際結果的比較。

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')

你現在可以查看 scalars 標籤，以查看在 15,000 次訓練迭代中繪製的 running loss。

此外，我們可以查看模型在整個學習過程中對任意批次所做的預測。 請參閱「Images」標籤，並在「predictions vs. actuals」可視化下方滾動以查看此內容； 這向我們表明，例如，僅經過 3000 次訓練迭代後，模型已經能夠區分視覺上不同的類別，例如襯衫、運動鞋和外套，儘管它不像稍後在訓練中那樣有信心。

在先前的教學課程中，我們在模型訓練完成後查看了每個類別的準確度； 在這裡，我們將使用 TensorBoard 繪製每個類別的精確度-召回率曲線（很好的解釋 here）。

6. 使用 TensorBoard 評估已訓練的模型

# 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)

你現在將看到一個「PR Curves」標籤，其中包含每個類別的精確度-召回率曲線。 請繼續瀏覽； 你會看到在某些類別上，模型幾乎具有 100% 的「曲線下面積」，而在其他類別上，這個面積較小。

這就是 TensorBoard 和 PyTorch 與其整合的介紹。 當然，你可以在你的 Jupyter Notebook 中完成 TensorBoard 所做的一切，但使用 TensorBoard，你將獲得預設為互動式的視覺效果。