Skip to content

Latest commit

 

History

History
196 lines (136 loc) · 7.82 KB

how-to-use-tensorboard.md

File metadata and controls

196 lines (136 loc) · 7.82 KB
Raw

如何使用 TensorBoard

本文会介绍如何使用 tensorboard 进行可视化。

tensorboardX

安装

在使用之前，可以先看看环境配置--tensorboard。

为了在 PyTorch 里愉快地使用 TensorBoard，目前建议使用 tensorboardX 写出 events.out 文件。

下面是安装命令：

pip install tensorboard tensorboardx

使用

万变不离其宗，使用方法首先应该查看文档：https://tensorboardx.readthedocs.io/en/latest/tensorboard.html

这里我以 PyTorch 训练 CRNN 模型为例，介绍如何可视化以下几个内容：

  • 可视化模型结构
  • 按 epoch 可视化 loss、acc
  • 按 batch 可视化 loss、acc
  • 可视化训练过程中 loss 比较高的样本（badcase）

使用 TensorBoard 需要做以下两件事：

  • 在代码中对需要可视化的地方添加写出代码
  • 打开 TensorBoard 服务

创建文件对象（writer）

import time
from tensorboardX import SummaryWriter

now = time.strftime("%Y%m%d_%H%M%S", time.localtime())
model_name = f'crnn_{now}'
print(model_name)
writer = SummaryWriter(f'logs/{model_name}')

使用上面的代码即可创建一个 writer 对象，之后我们就可以使用这个 writer 写出我们想要写出的东西。

训练一段时间以后，会在 logs 文件夹下构建以下文件结构：

logs
└── crnn_20190630_200056
    ├── epoch
    │   ├── acc
    │   │   ├── train
    │   │   │   └── events.out.tfevents.1561896176.ypw-black
    │   │   └── valid
    │   │       └── events.out.tfevents.1561896176.ypw-black
    │   ├── error_rate
    │   │   ├── train
    │   │   │   └── events.out.tfevents.1561896176.ypw-black
    │   │   └── valid
    │   │       └── events.out.tfevents.1561896176.ypw-black
    │   └── loss
    │       ├── train
    │       │   └── events.out.tfevents.1561896176.ypw-black
    │       └── valid
    │           └── events.out.tfevents.1561896176.ypw-black
    └── events.out.tfevents.1561896056.ypw-black

打开 TensorBoard 服务

安装了 TensorBoard 以后，直接使用下面的命令就可以打开 TensorBoard 服务：

tensorboard --logdir=logs

假设你的服务器 IP 地址是 192.168.8.100，只需要在浏览器里输入 http://192.168.8.100:6006 就可以打开 TensorBoard 面板。

可视化模型结构

模型结构的可视化非常简单，只需要构建一个输入 tensor 即可：

model = Model(n_classes, input_shape=(3, height, width))
inputs = torch.zeros((1, 3, height, width))
writer.add_graph(model, inputs)

然后你就可以在 http://192.168.8.100:6006/#graphs 里看到你的模型结构。

Model

双击 Model 就可以展开它，下面是展开到合理程度的模型结构图：

CRNN

记录标量（scalar）

使用 writer.add_scalar 就能轻松画出 loss 曲线，下面是经过简化的训练函数：

def train(model, optimizer, epoch, dataloader, writer):
    # ...
    for batch_index, (data, target) in enumerate(pbar):
        # ...
        output = model(data)
        loss = criterion(output, target)
        acc = calc_acc(target, output)
        # ...
        iteration = (epoch - 1) * len(dataloader) + batch_index
        writer.add_scalar('train/loss', loss, iteration)
        writer.add_scalar('train/acc', acc, iteration)
        writer.add_scalar('train/error_rate', 1 - acc, iteration)

为了让多个图绘制在一个标签下，斜杠前面的名称需要统一，我这里以 train/ 表示，在 TensorBoard 里就可以统一绘制在 train 这个标签内，展开和合并都比较方便。

训练完以后的曲线如图：

scalar

这里有一个小技巧，如果你想可视化正确率这种接近 1 的指标，最好使用错误率（1减正确率），因为当正确率非常接近 1 的时候，很难看出来趋势。使用 TensorBoard 切换到对数尺度下，就能轻松看出错误率的趋势了：

logscale

在 30k 的时候，我把学习率降低了 10倍，继续训练了 10代，如果看上面的图，只能看出来 loss 更平缓了，但是下面的对数尺度下就可以明显看出来 loss 从 8e-3 下降到了 2e-3，下降了 4 倍。

记录多个标量（scalars）

很多时候我们都需要使用训练集的 loss 和验证集的 loss 做对比，以判断模型有没有过拟合。这时候使用 writer.add_scalars 就可以将多个标量绘制在同一张图里进行对比。下面是示例代码：

for epoch in range(1, epochs + 1):
    train_loss, train_acc = train(model, optimizer, epoch, train_loader, writer)
    valid_loss, valid_acc = valid(model, epoch, valid_loader, writer)
    
    writer.add_scalars('epoch/loss', {'train': train_loss, 'valid': valid_loss}, epoch)
    writer.add_scalars('epoch/acc', {'train': train_acc, 'valid': valid_acc}, epoch)
    writer.add_scalars('epoch/error_rate', {'train': 1 - train_acc, 'valid': 1 - valid_acc}, epoch)

scalars

可以看到在对数尺度下，loss 和错误率还有向下走的趋势，可以继续训练。

记录图像（images）

不管是在 GAN 里，还是其他图像任务里，绘制图像都是一个很有用的功能。下面我以绘制 badcase 为例：

# draw badcase
with torch.no_grad():
    output_argmax = output.detach().permute(1, 0, 2).argmax(dim=-1)
    loss = F.ctc_loss(output_log_softmax, target, input_lengths, target_lengths, reduction='none')
    hard_sample = np.argsort(loss.detach().cpu().numpy())[::-1]
    data = data.cpu()
    target = target.cpu()

    nrow = 4
    ncol = 4
    fig = plt.figure(figsize=(12, 6))
    for i, index in enumerate(hard_sample[:nrow*ncol]):
        plt.subplot(ncol, nrow, i+1)
        plt.axis('off')
        plt.imshow(data[index].numpy().transpose(1, 2, 0))
        s = f'true: {decode_target(target[index])}\npred: {decode(output_argmax[index])}'
        plt.title(s)

    fig.canvas.draw()
    image = np.array(fig.canvas.renderer.buffer_rgba())
    plt.close()
    writer.add_image('train/badcase', to_tensor(image), epoch)

首先为了避免影响训练，整个代码都需要在 torch.no_grad() 下进行。然后为了获取不好识别的样本，需要重新计算 loss，并且添加 reduction='none' 以计算每个样本的 loss。

OCR 问题既需要图像，又需要文本，所以这里我们使用 matplotlib 绘制图像，然后得到矩阵比较方便。如果你只想拼接多个图像，可以使用 from torchvision.utils import make_grid 函数。

下面是训练过程中的 badcase：

badcase

可以看到大部分图像都是因为 0 和 O 识别不对，其实前面几个图我也看不出来到底是 0 还是 O。

完整代码

以上几个例子的完整代码在 https://github.com/ypwhs/captcha_break 项目中，文件名是 ctc_pytorch_tensorboard.ipynb ，该项目解决了验证码识别的问题，最终训练到了 0.9957 的准确率。

总结

使用 TensorBoard 可以监控训练过程中的 loss 趋势，及早发现问题。训练多个模型以后，还可以把多个模型的曲线放在一张图里横向对比。另外 badcase 分析也可以发现更多潜在的问题，为之后的优化寻找方向。可以说 TensorBoard 是每一个深度学习从业者的必备技能。