使用PyTorch的TensorBoard-可视化深度学习指标 | PyTorch系列（二十五）

文 |AI_study

原标题：TensorBoard With PyTorch - Visualize Deep Learning Metrics

在本系列的这一点上，我们刚刚完成了训练过程中的网络运行。现在，我们希望获得有关此过程的更多指标，以更好地了解幕后情况。

鸟瞰我们在训练过程中所处的位置。

准备数据
建立模型
训练模型
分析模型的结果
- 为此使用TensorBoard

TensorBoard：TensorFlow的可视化工具包

TensorBoard提供了机器学习实验所需的可视化和工具：

跟踪和可视化指标，例如损失和准确性
可视化模型图（操作和图层）
查看权重，偏差或其他张量随时间变化的直方图
将embedding 投影到较低维度的空间
显示图像，文本和音频数据
分析TensorFlow程序
以及更多

从PyTorch 1.1.0版开始，PyTorch添加了一个tensorboard实用程序包，使我们能够将TensorBoard与PyTorch一起使用。

print(torch.__version__)
1.1.0

from torch.utils.tensorboard import SummaryWriter

为PyTorch安装TensorBoard

要为PyTorch安装TensorBoard，请执行以下步骤：

确认您正在运行PyTorch版本1.1.0或更高版本。
确认您正在运行TensorBoard 1.15或更高版本。
请注意，PyTorch使用的TensorBoard与为TensorFlow创建的TensorBoard相同。使用以下命令检查系统上安装的TensorBoard的版本：

tensorboard --version

4. 使用以下命令安装TensorBoard。

pip install tensorboard

一旦安装了TensorBoard 1.15或更高版本，我们就可以开始了！

请注意，PyTorch文档说TensorBoard版本1.14是必需的。

PyTorch的TensorBoard入门

TensorBoard是一个字体结尾的Web界面，实际上从文件中读取数据并显示它。要使用TensorBoard，我们的任务是将我们要显示的数据保存到TensorBoard可以读取的文件中。

为了使我们更轻松，PyTorch创建了一个名为SummaryWriter的实用程序类。要访问此类，我们使用以下导入：

from torch.utils.tensorboard import SummaryWriter

导入该类后，我们可以创建该类的实例，然后将其用于将数据从程序中获取到文件系统中，然后由TensorBoard进行使用。

网络图和训练集图像

SummaryWriter类带有许多方法，我们可以调用这些方法来有选择地选择和选择我们希望TensorBoard可以使用的数据。首先，我们将网络和一批图像传递给编写者。

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()

该代码为TensorBoard创建一个名为tb的SummaryWriter实例。然后，创建我们的PyTorch网络的实例，并从我们的PyTorch数据加载器对象中解压缩一批图像和标签。

然后，将图像和网络添加到TensorBoard将使用的文件中。实际上，可以说网络图和图像的batch都已添加到TensorBoard中。

‍

运行TensorBoard

要启动TensorBoard，我们需要在终端上运行tensorboard命令。这将启动一个本地服务器，该服务器将为TensorBoard UI和我们的SummaryWriter写入磁盘的数据提供服务。

默认情况下，PyTorch SummaryWriter对象将数据写入在当前工作目录中创建的名为./runs的目录中的磁盘。

当运行tensorboard命令时，我们传递一个参数来告诉tensorboard数据在哪里。就像这样：

tensorboard --logdir=runs

TensorBoard服务器将启动并正在侦听端口6006上的http请求。这些详细信息将显示在控制台中。

通过浏览至以下位置访问TensorBoard UI：

http://localhost:6006

在这里，我们将能够看到我们的网络图和图像数据。目前，这确实为我们提供了视觉效果，但没有接下来的有用。

TensorBoard直方图和标量

我们可以添加到TensorBoard的下一个数据导入类型是数字数据。我们可以添加将随时间或epoch 显示的标量值。我们还可以将值添加到直方图中以查看值的频率分布。

要添加标量和直方图，我们使用PyTorch SummaryWriter类提供的相应方法。

这是调用的示例：

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)

这是一个示例，说明了如何将这些调用放在训练循环中：

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()

这会将这些值添加到TensorBoard中。这些值甚至在网络训练时实时更新。

随时间推移查看损失和准确性值会很有帮助。但是，我们可能需要承认，实际上并不需要TensorBoard。

TensorBoard的真正功能是它具有开箱即用的比较多个运行的功能。这使我们能够通过更改超参数值并比较运行来快速进行实验，以查看哪些参数最有效。

文章中内容都是经过仔细研究的，本人水平有限，翻译无法做到完美，但是真的是费了很大功夫，希望小伙伴能动动你性感的小手，分享朋友圈或点个“在看”，支持一下我 ^_^

英文原文链接是：

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