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：2025 年 9 月 10 日 | 最后验证：2024 年 11 月 5 日
在 60 分钟快速教程 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，并在测试数据上对其进行测试。为了查看正在发生的情况，我们在模型训练时打印出一些统计信息，以了解训练是否在进展。但是，我们可以做得更好：PyTorch 与 TensorBoard 集成，TensorBoard 是一个用于可视化神经网络训练运行结果的工具。本教程将演示其部分功能，使用 Fashion-MNIST 数据集，该数据集可以使用 torchvision.datasets 加载到 PyTorch 中。
在本教程中，我们将学习如何
读取数据并进行适当的转换（与之前的教程几乎相同）。
设置 TensorBoard。
写入 TensorBoard。
使用 TensorBoard 检查模型架构。
使用 TensorBoard 以更少的代码创建上一个教程中创建的可视化的交互式版本
具体来说，在第 5 点，我们将看到
几种检查训练数据的方法
如何跟踪模型的训练过程中的性能
如何评估模型训练完成后的性能。
我们将从与 CIFAR-10 教程 相似的样板代码开始
# 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)
testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False)
# 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)))
我们将定义一个与该教程类似的相似模型架构，仅进行少量修改，以适应图像现在是一个通道而非三个通道，以及 28x28 而非 32x32 的事实
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 写入信息的主要对象。
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，仅这一行就会创建一个 runs/fashion_mnist_experiment_1 文件夹。
2. 写入 TensorBoard#
现在让我们使用 make_grid 将一个图像写入我们的 TensorBoard - 特别是一个网格。
# 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)
现在从命令行运行
PYTHONWARNINGS="ignore:pkg_resources is deprecated as an API:UserWarning" tensorboard --logdir=runs
然后导航到 https://:6006 应该会显示以下内容。
现在您知道如何使用 TensorBoard 了！但是，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。我们将在下一个教程中介绍其中一个，并在本教程结束时介绍更多。
3. 使用 TensorBoard 检查模型#
TensorBoard 的优势之一是其可视化复杂模型结构的能力。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，您应该会看到一个“Graphs”选项卡，看起来像这样
请双击“Net”以查看其展开，看到构成模型的各个操作的详细视图。
TensorBoard 有一个非常有用的功能，可以可视化高维数据，如图像数据在低维空间中的表示；我们将在下一节介绍。
4. 为 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”选项卡中，您可以看到这 100 张图像 — 每张图像都有 784 维 — 被投影到三维空间中。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，有几个技巧可以使可视化更容易查看：选择左上角的“color: label”，以及启用“night mode”，这将使图像更容易看到，因为它们的背景是白色的
现在我们已经仔细检查了我们的数据，让我们展示 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#
在之前的示例中，我们只是每 2000 次迭代 *打印* 模型的运行损失。现在，我们将把运行损失记录到 TensorBoard，并通过 plot_classes_preds 函数提供模型预测的视图。
# 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，让我们使用与先前教程相同的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；这是通过 add_scalar 函数实现的。
此外，在训练过程中，我们将生成一张图像，显示模型在批次中包含的四张图像上的预测与实际结果。
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')
您现在可以查看 scalars 选项卡，查看在 15,000 次训练迭代中绘制的运行损失图
此外，我们可以查看模型在学习过程中对任意批次的预测。查看“Images”选项卡，并在“predictions vs. actuals”可视化下方滚动，可以看到这一点；这表明，例如，在仅 3000 次训练迭代后，模型已经能够区分视觉上不同的类，如衬衫、运动鞋和外套，尽管它不像在训练后期那样自信
在先前的教程中，我们查看了模型训练完成后的每个类别的准确率；在这里，我们将使用 TensorBoard 为每个类绘制精确率-召回率曲线（在此处有很好的解释 here）。
6. 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)
您现在将看到一个包含每个类别的精确率-召回率曲线的“PR Curves”选项卡。请随意探索；您会发现，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
这就是 TensorBoard 和 PyTorch 与其集成的入门介绍。当然，您可以在 Jupyter Notebook 中完成 TensorBoard 的所有功能，但有了 TensorBoard，您将获得默认的交互式可视化。
