在A 60 Minute Blitz，我们向大家展示了如何加载数据，如何通过定义为的子类的nn.Module模型提供数据，如何在训练数据上训练该模型以及如何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打印一些统计数据，以了解训练是否在进行。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，该 数据集 可以使用torchvision.datasets读入PyTorch。
在本教程中，我们将学习如何：
读入数据并进行适当的转换（与先前的教程几乎相同）。
设置TensorBoard。
写入TensorBoard。
使用TensorBoard检查模型架构。
使用TensorBoard以更少的代码创建我们在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：
检查我们训练数据的几种方法
在训练过程中如何跟踪模型的性能
训练后如何评估模型的性能。
我们将从与CIFAR-10教程类似的样板代码开始：
# 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, 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)))我们将在该教程中定义一个类似的模型体系结构，仅需进行少量修改即可解决以下事实：图像现在是一个通道而不是三个通道，而图像是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()我们将optimizer与criterion之前定义相同：
criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
1. TensorBoard setup
现在我们将设置TensorBoard，tensorboard从我们的关键对象导入torch.utils并定义它 SummaryWriter，该关键对象用于将信息写入TensorBoard。
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，仅此行会创建一个runs/fashion_mnist_experiment_1 文件夹。
2. Writing to TensorBoard
现在，让我们写一个像我们TensorBoard - specifically, a grid - using 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)运行
tensorboard --logdir=runs从命令行，然后导航到https：// localhost：6006 应该显示以下内容。
现在大家知道如何使用TensorBoard了！但是，此示例可以在Jupyter Notebook中完成-TensorBoard真正擅长的地方是创建交互式可视化。我们将在接下来的内容中介绍其中之一，并在本教程结束时介绍更多内容。
3. Inspect the model using TensorBoard
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，大家应该会看到一个“ Graphs”标签，如下所示：
继续并双击“ Net”以展开它，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，接下来我们将介绍，用于可视化高维数据，例如在低维空间中的图像数据；
4. Adding a “Projector” to TensorBoard
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“投影仪”选项卡中，大家可以看到这100张图像-每个图像784维-向下投影到三维空间中。此外，这是交互式的：大家可以单击并拖动以旋转三维投影。最后，一些技巧可以使可视化效果更容易看到：选择左上方的“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inspected了我们的数据，让我们展示了TensorBoard如何从培训开始就可以使跟踪模型的培训和评估更加清晰。
5. Tracking model training with TensorBoard
在前面的示例中，我们仅每2000次迭代printed 一次模型的运行损失。现在，我们将运行损失记录到TensorBoard中，并通过模型查看模型所做的预测plot_classes_preds。
# 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，让我们使用与之前教程中相同的模型训练代码来训练模型，但是每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，在训练过程中，我们将生成一幅图像，显示该批次中包含的四幅图像的模型预测与实际结果。
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')现在，大家可以查看scalars 选项卡，以查看在15,000次训练迭代中绘制的运行损失：
此外，我们可以查看整个学习过程中模型在任意批次上所做的预测。查看“图像”选项卡，并在“预测与实际”可视化条件下向下滚动以查看此内容；这向我们表明，例如，仅经过3000次训练迭代，该模型就能够区分出视觉上截然不同的类，例如衬衫，运动鞋和外套，尽管它并没有像后来的训练那样confident ：
在之前的教程中，我们研究了模型训练后的每类准确性；在这里，我们将使用TensorBoard绘制每个类的精确调用曲线（此处有很好的解释 ）。
6. Assessing trained models with TensorBoard
# 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，大家将看到一个“ PR Curves”选项卡，其中包含每个类别的精确调用曲线。继续戳一下；大家会看到，在某些类别上，模型的“曲线下面积”接近100％，而在另一些类别上，该面积更低：
这是TensorBoard和PyTorch与之集成的介绍。当然，大家可以在Jupyter Notebook中完成TensorBoard所做的所有操作，但是使用TensorBoard，大家可以获得默认情况下是交互式的视觉效果。
接下来，给大家介绍一下租用GPU做实验的方法，我们是在智星云租用的GPU，使用体验很好。具体大家可以参考：智星云官网： http://www.ai-galaxy.cn/，淘宝店：https://shop36573300.taobao.com/公众号: 智星AI
参考文献：
https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html
https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html
https://github.com/zalandoresearch/fashion-mnist
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
