第 11 章 可视化和理解
作者: 张伟 (Charmve)
日期: 2021/06/06
- 第 11 章 可视化和理解
- 11.1 表征可视化
- 11.2 对抗实例
- 11.3 DeepDream 和风格迁移
- 11.4 实战项目 10: PyTorch 如何使用TensorBoard
- 11.4.1 创建 TensorBoard
- 11.4.2 写入 TensorBoard
- 11.4.3 使用 TensorBoard 检查模型
- 11.4.4 向 TensorBoard 添加 "Projector"
- 11.4.5 使用 TensorBoard 跟踪模型训练
- 11.4.6 使用 TensorBoard 评估训练好的模型
- 小结
- 小结
- 参考文献
通过这份文档的学习，我们会了解到如何往TensorBoard里面送入图片、图表、模型、scalars(损失值、权值、偏置等)、构建embeddings、PR曲线等，其中送入的图片或图表数据主要是多张图片合成的网格图片，利用torchvision.utils.make_grid函数或fig.add_subplot构建，细节内容请往下看。
本片文档来源于PyTorch官方教程，我仅其内容进行部分解读，多数解读是注释在代码行中。 声明：没有耐心看几句英文说明的可以试一下Ctrl + W，我建议大家静下心来学习，不要浮躁。
如果看明白了本文内容，想要更细致地了解Pytorch下TensorBoard的相关用法，可以看官方的Document
在这份文档中，将记录以下几点：
- 读取数据，并作适当的数据转换；
- 设置TensorBoard；
- 写入TensorBoard相关内容；
- 利用TensorBoard查看模型结构；
- 利用TensorBoard创建可视化的交互界面；
特别是在第5点中，我们将看到：
- 查看训练数据的几种方式；
- 在训练时如何追踪模型的性能；
- 训练结束后，如何评估模型的性能。
本文所用数据集为 CIFAR-10。
# imports
import matplotlib.pyplot as plt
import numpy as np
import torch
import torchvision
import torchvision.transforms as transforms # 注意transforms是torchvision里面的工具，主要是为图像开发
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
# transforms
transform = transforms.Compose(
[transforms.ToTensor(), # 转变成pytorch类型的tensor，针对图像进行转变，把载入的图像转变成Pytorch格式的tensor，结果为NCHW
transforms.Normalize((0.5,), (0.5,))]) # 标准化操作
# datasets
trainset = torchvision.datasets.FashionMNIST('./data',# 下载“训练集”/“测试集”，并转变数据形式(对图片格式进行转变)
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) # 这里面有一些讲究，尤其是多进程相关的，回过头来可以再看
# 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) # 其实就是一种数据维度的压缩，可以替换为img = img.squeeze(0)
img = img / 2 + 0.5 # unnormalize 反归一化，反向操作
npimg = img.numpy()
if one_channel:
plt.imshow(npimg, cmap="Greys")
else:
plt.imshow(np.transpose(npimg, (1, 2, 0))) # 转置回去，这是由于pytorch tensor和pil数据的内部维度排列有些差异接下来定义模型架构：
class Net(nn.Module): # 继承nn.Module模块
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 6, 5)
self.pool = nn.MaxPool2d(2, 2) # 这个虽然pool只是定义了一次，但会用到多次
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()接下来定义优化器(optimizer)和损失函数(criterion)：
criterion = nn.CrossEntropyLoss() #结合了softmax和negative log loss
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)接下来我们设置TensorBoard。从 torch.utils 中导入 tensorboard，并定义一个 SummaryWiriter，作为我们写信息到TensorBoard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') # 创建一个folder存储需要记录的数据提示：仅第四行代码创建一个用于存储需要记录数据的文件夹, runs/fashion_mnist_experiment_1。
现在让我们写入一张图片在TensorBoard中，网格化记录图片。
# get some random training images
dataiter = iter(trainloader) # 通过使用函数iter()，将返回一个iterator迭代器（可以使用.__next__()的对象）
images, labels = dataiter.next()
# create grid of images
img_grid = torchvision.utils.make_grid(images) # 定义网格图片，网格化显示a batch of images.
# show images
matplotlib_imshow(img_grid, one_channel=True) # 我们的数据是单通道图片
# write to tensorboard
writer.add_image('four_fashion_mnist_images', img_grid)运行,
!tensorboard --logdir=runs # 在命令行运行不需要加感叹号！下面是notebook的输出结果，如图11.1所示。
图11.1 notebook的输出结果
在终端上运行, tensorboard --logdir=runs
图11.2 终端运行命令行
然后按下Ctrl再点击Terminal中显示的网站即可打开浏览器进入TensorBoard界面。
你可以在TensorBoard的IMAGES下看到如下结果，如图11.3所示。
图11.3 TensorBoard 的 IMAGES 分页
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) # net是我们上边构建的模型class，images是输出的数据
writer.close()继续并双击“Net”以查看其展开，查看构成模型的各个操作的详细视图，如图11.4所示。
图11.4 “Net”展示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，可以在低维空间中可视化高维数据，例如图像数据，我们接下来会介绍这个。
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)) # Returns a random permutation of integers from ``0`` to ``n - 1``.
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, # metadata:描述数据的数据就是元数据；这里就是类型标签
label_img=images.unsqueeze(1)) # 在维度1位置插入一个size为1的维度，相当于多包了一层。扩展成四个维度NCHW，之前是NHW三个维度，而label_img要求NCHW四个维度
writer.close()
图11.5 在低维空间中可视化高维数据
如图11.5所示我们可以看到，TensorBoard将784维的高维图片数据通过PCA映射到三维去查看。这个工作是TensorBoard完成的，我们仅仅是把数据传递进去。
现在我们已经彻底检查了我们的数据，让我们展示 TensorBoard 如何让跟踪模型训练和评估更清晰，从训练开始。
现在，我们将把运行损失记录到 TensorBoard，同时查看模型通过 plot_classes_preds 函数所做的预测。
# 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)] # 返回预测结果及概率
# .item()返回的是一个标量，这个标量来源于只含一个数的tensor
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=(10, 10))
for idx in np.arange(4):
ax = fig.add_subplot(1, 4, idx+1, xticks=[], yticks=[])
matplotlib_imshow(images[idx], one_channel=True) # 注意该函数是在当前的子图环境中绘图的
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，让我们使用上面构建的模型训练代码来训练模型，然后每 1000 批将结果写入 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，我们将生成一张图像，显示模型的预测与该批次中包含的四张图像的实际结果。
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() # 这一步已经包含torch.no_grad()
running_loss += loss.item()
if i % 1000 == 999: # every 1000 mini-batches...
# ...log the running loss
writer.add_scalar('training loss_again',
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', # 增加一些图到writer里
plot_classes_preds(net, inputs, labels),
global_step=epoch * len(trainloader) + i) # 全局步的记录
#请注意：add_figure方法里面的第二个位置参数的参数名是figure，他要求传入的object是
# matplotlib.pyplot.figure or list of figures: Figure or a list of figures
# 该段代码跑完后，notebook里面其实是没有任何figure显示，这是为何呢？我猜是
# writer.add_figure自动将其关闭了
running_loss = 0.0
print('Finished Training')您现在可以查看SCALARS以查看在 15,000 次训练迭代中绘制的运行损失，如图11.6所示。
图11.6 运行损失
此外，在查看“IMAGE”选项卡，我们可以查看模型在整个学习过程中对任意批次所做的预测，在预测与实际可视化下向下滚动以查看此内容。例如，在仅仅 3000 次训练迭代之后，该模型已经能够区分视觉上不同的类别。
图11.7 拖动橘黄色进度条擦查看不同step的结果
请注意：如图11.7所示，上面的橘黄色进度条可以拖动，从而能看到不同step的结果。
在这里，我们将使用 TensorBoard 为每个类绘制精确召回曲线（precision-recall curves）。
# 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 = []
gt_labels = []
with torch.no_grad():
for data in testloader:
images, labels = data
# print(images.shape,labels.shape)
output = net(images)
class_probs_batch = [F.softmax(el, dim=0) for el in output] # 这里返回来的是4x10的tensor
_, class_preds_batch = torch.max(output, 1)
# print(class_preds_batch)
class_probs.append(class_probs_batch)
class_preds.append(class_preds_batch)
gt_labels.append(labels)
# 每一次stack完后，会产生一个4x1x10的返回结果；在cat之前，是一个size为(n/4,4,1,10)的sequence，经过cat后，变成了一个(n,1,10)的tensor
# 在送进tensor.cat前，必须是一个sequence，或者是一个可迭代对象iterable。本质上我们是想把诸如a、b、c这样的tensor进行cat，只不过
# 输入的时候必须把他们装到一个可迭代对象中，这样函数才能遍历,这同样也是torch.stack的机制
test_probs = torch.cat([torch.stack(batch) for batch in class_probs])
test_preds = torch.cat(class_preds) # 输出结果为(n,1)的tensor
gt_labels = torch.cat(gt_labels)
# helper function
def add_pr_curve_tensorboard(class_index, test_probs, gt_labels, global_step=0):
'''
Takes in a "class_index" from 0 to 9 and plots the corresponding
precision-recall curve
'''
# tensorboard_preds = tensorboard_preds == class_index # 这行代码明显是错的，不符合precision-recall curve的定义
gt_labels = gt_labels == class_index # 这行是正确的写法
tensorboard_probs = test_probs[:, class_index]
writer.add_pr_curve(classes[class_index],
gt_labels,
tensorboard_probs,
global_step=global_step)
writer.close()
# np.random.randint
# plot all the pr curves
for i in range(len(classes)):
add_pr_curve_tensorboard(i, test_probs, gt_labels, i)您现在将看到一个 PR Curves 选项卡（如图11.8所示），其中包含每个类的精确召回曲线。 继续探索您会看到，在某些类别中，模型的“曲线下面积”接近 100%，而在其他类别中，该面积较低。
图11.8 PR Curves
这是 TensorBoard 和 PyTorch 与其集成的介绍。 当然，您可以在 Jupyter Notebook 中完成 TensorBoard 所做的一切，但使用 TensorBoard，您可以获得默认交互的视觉效果。