PyTorch中可視化工具的使用
一、網絡結構的可視化
我們訓練神經網絡時，除了隨著step或者epoch觀察損失函數的走勢，從而建立對目前網絡優(yōu)化的基本認知外，也可以通過一些額外的可視化庫來可視化我們的神經網絡結構圖。
為了可視化神經網絡，我們先建立一個簡單的卷積層神經網絡：
import torch
import torch.nn as nn
class ConvNet(nn.Module):
def __init__(self):
super(ConvNet, self).__init__()
self.conv1 = nn.Sequential(
nn.Conv2d(1, 16, 3, 1, 1),
nn.ReLU(),
nn.AvgPool2d(2, 2)
)
self.conv2 = nn.Sequential(
nn.Conv2d(16, 32, 3, 1, 1),
nn.ReLU(),
nn.MaxPool2d(2, 2)
)
self.fc = nn.Sequential(
nn.Linear(32 * 7 * 7, 128),
nn.ReLU(),
nn.Linear(128, 64),
nn.ReLU()
)
self.out = nn.Linear(64, 10)
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.view(x.size(0), -1)
x = self.fc(x)
output = self.out(x)
return output輸出網絡結構：
MyConvNet = ConvNet() print(MyConvNet)
輸出結果：
ConvNet(
(conv1): Sequential(
(0): Conv2d(1, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU()
(2): AvgPool2d(kernel_size=2, stride=2, padding=0)
)
(conv2): Sequential(
(0): Conv2d(16, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU()
(2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(fc): Sequential(
(0): Linear(in_features=1568, out_features=128, bias=True)
(1): ReLU()
(2): Linear(in_features=128, out_features=64, bias=True)
(3): ReLU()
)
(out): Linear(in_features=64, out_features=10, bias=True)
)
有了基本的神經網絡后，我們分別通過HiddenLayer和PyTorchViz庫來可視化上述的卷積層神經網絡。
需要說明的是，這兩個庫都是基于Graphviz開發(fā)的，因此倘若你的電腦上沒有安裝并且沒有添加環(huán)境變量，請自行安裝Graphviz工具
1.1 通過HiddenLayer可視化網絡
首先當然是安裝庫啦，打開cmd，輸入：
pip install hiddenlayer
繪制的基本程序如下：
import hiddenlayer as h
vis_graph = h.build_graph(MyConvNet, torch.zeros([1 ,1, 28, 28])) # 獲取繪制圖像的對象
vis_graph.theme = h.graph.THEMES["blue"].copy() # 指定主題顏色
vis_graph.save("./demo1.png") # 保存圖像的路徑效果如下：
1.2 通過PyTorchViz可視化網絡
先安裝庫：
pip install torchviz
這里我們只使用可視化函數make_dot()來獲取繪圖對象，基本使用和HiddenLayer差不多，不同的地方在于PyTorch繪圖之前可以指定一個網絡的輸入值和預測值。
from torchviz import make_dot
x = torch.randn(1, 1, 28, 28).requires_grad_(True) # 定義一個網絡的輸入值
y = MyConvNet(x) # 獲取網絡的預測值
MyConvNetVis = make_dot(y, params=dict(list(MyConvNet.named_parameters()) + [('x', x)]))
MyConvNetVis.format = "png"
# 指定文件生成的文件夾
MyConvNetVis.directory = "data"
# 生成文件
MyConvNetVis.view()打開與上述代碼相同根目錄下的data文件夾，里面會有一個.gv文件和一個.jpg文件，其中的.gv文件是Graphviz工具生成圖片的腳本代碼，.jpg是.gv文件編譯生成的圖片，直接打開.jpg文件就行。
默認情況下，上述程序運行后會自動打開.jpg文件
生成圖片：
二、訓練過程可視化
觀察我們的網絡的每一步的損失函數或準確率的變化可以有效地幫助我們判斷當前訓練過程的優(yōu)劣。如果能將這些過程可視化，那么我們判斷的準確性和舒適性都會有所增加。
此處主要講通過可視化神器tensorboardX和剛剛用到的HiddenLayer來實現訓練過程的可視化。
為了訓練網絡，我們先導入訓練網絡需要的數據，此處就導入MNIST數據集，并做訓練前的一些基本的數據處理。
import torchvision
import torch.utils.data as Data
# 準備訓練用的MNIST數據集
train_data = torchvision.datasets.MNIST(
root = "./data/MNIST", # 提取數據的路徑
train=True, # 使用MNIST內的訓練數據
transform=torchvision.transforms.ToTensor(), # 轉換成torch.tensor
download=False # 如果是第一次運行的話，置為True，表示下載數據集到root目錄
)
# 定義loader
train_loader = Data.DataLoader(
dataset=train_data,
batch_size=128,
shuffle=True,
num_workers=0
)
test_data = torchvision.datasets.MNIST(
root="./data/MNIST",
train=False, # 使用測試數據
download=False
)
# 將測試數據壓縮到0-1
test_data_x = test_data.data.type(torch.FloatTensor) / 255.0
test_data_x = torch.unsqueeze(test_data_x, dim=1)
test_data_y = test_data.targets
# 打印一下測試數據和訓練數據的shape
print("test_data_x.shape:", test_data_x.shape)
print("test_data_y.shape:", test_data_y.shape)
for x, y in train_loader:
print(x.shape)
print(y.shape)
break結果：
test_data_x.shape: torch.Size([10000, 1, 28, 28])
test_data_y.shape: torch.Size([10000])
torch.Size([128, 1, 28, 28])
torch.Size([128])
2.1 通過tensorboardX可視化訓練過程
tensorboard是谷歌開發(fā)的深度學習框架tensorflow的一套深度學習可視化神器，在pytorch團隊的努力下，他們開發(fā)出了tensorboardX來讓pytorch的玩家也能享受tensorboard的福利。
先安裝相關的庫：
pip install tensorboardX pip install tensorboard
并將tensorboard.exe所在的文件夾路徑加入環(huán)境變量path中（比如我的tensorboard.exe的路徑為D:\Python376\Scripts\tensorboard.exe，那么就在path中加入D:\Python376\Scripts）
下面是tensorboardX的使用過程?；臼褂脼椋韧ㄟ^tensorboardX下的SummaryWriter類獲取一個日志編寫器對象。然后通過這個對象的一組方法往日志中添加事件，即生成相應的圖片，最后啟動前端服務器，在localhost中就可以看到最終的結果了。
訓練網絡，并可視化網絡訓練過程的代碼如下：
from tensorboardX import SummaryWriter
logger = SummaryWriter(log_dir="data/log")
# 獲取優(yōu)化器和損失函數
optimizer = torch.optim.Adam(MyConvNet.parameters(), lr=3e-4)
loss_func = nn.CrossEntropyLoss()
log_step_interval = 100 # 記錄的步數間隔
for epoch in range(5):
print("epoch:", epoch)
# 每一輪都遍歷一遍數據加載器
for step, (x, y) in enumerate(train_loader):
# 前向計算->計算損失函數->(從損失函數)反向傳播->更新網絡
predict = MyConvNet(x)
loss = loss_func(predict, y)
optimizer.zero_grad() # 清空梯度（可以不寫）
loss.backward() # 反向傳播計算梯度
optimizer.step() # 更新網絡
global_iter_num = epoch * len(train_loader) + step + 1 # 計算當前是從訓練開始時的第幾步(全局迭代次數)
if global_iter_num % log_step_interval == 0:
# 控制臺輸出一下
print("global_step:{}, loss:{:.2}".format(global_iter_num, loss.item()))
# 添加的第一條日志：損失函數-全局迭代次數
logger.add_scalar("train loss", loss.item() ,global_step=global_iter_num)
# 在測試集上預測并計算正確率
test_predict = MyConvNet(test_data_x)
_, predict_idx = torch.max(test_predict, 1) # 計算softmax后的最大值的索引，即預測結果
acc = accuracy_score(test_data_y, predict_idx)
# 添加第二條日志：正確率-全局迭代次數
logger.add_scalar("test accuary", acc.item(), global_step=global_iter_num)
# 添加第三條日志：這個batch下的128張圖像
img = vutils.make_grid(x, nrow=12)
logger.add_image("train image sample", img, global_step=global_iter_num)
# 添加第三條日志：網絡中的參數分布直方圖
for name, param in MyConvNet.named_parameters():
logger.add_histogram(name, param.data.numpy(), global_step=global_iter_num)運行完后，我們通過cmd來到與代碼同一級的目錄（如果你使用的是pycharm，可以通過pycharm中的終端）輸入指令tensorboard --logdir="./data/log"，啟動服務器。
logdir后面的參數是日志文件的文件夾的路徑
然后在谷歌瀏覽器中訪問紅框框中的url，便可得到可視化界面，點擊上面的頁面控件，可以查看我們通過add_scalar、add_image和add_histogram得到的圖像，而且各方面做得都很絲滑。
2.2 HiddenLayer可視化訓練過程
tensorboard的圖像很華麗，但是使用過程相較于其他的工具包較為繁瑣，所以小網絡一般沒必要使用tensorboard。
import hiddenlayer as hl
import time
# 記錄訓練過程的指標
history = hl.History()
# 使用canvas進行可視化
canvas = hl.Canvas()
# 獲取優(yōu)化器和損失函數
optimizer = torch.optim.Adam(MyConvNet.parameters(), lr=3e-4)
loss_func = nn.CrossEntropyLoss()
log_step_interval = 100 # 記錄的步數間隔
for epoch in range(5):
print("epoch:", epoch)
# 每一輪都遍歷一遍數據加載器
for step, (x, y) in enumerate(train_loader):
# 前向計算->計算損失函數->(從損失函數)反向傳播->更新網絡
predict = MyConvNet(x)
loss = loss_func(predict, y)
optimizer.zero_grad() # 清空梯度（可以不寫）
loss.backward() # 反向傳播計算梯度
optimizer.step() # 更新網絡
global_iter_num = epoch * len(train_loader) + step + 1 # 計算當前是從訓練開始時的第幾步(全局迭代次數)
if global_iter_num % log_step_interval == 0:
# 控制臺輸出一下
print("global_step:{}, loss:{:.2}".format(global_iter_num, loss.item()))
# 在測試集上預測并計算正確率
test_predict = MyConvNet(test_data_x)
_, predict_idx = torch.max(test_predict, 1) # 計算softmax后的最大值的索引，即預測結果
acc = accuracy_score(test_data_y, predict_idx)
# 以epoch和step為索引，創(chuàng)建日志字典
history.log((epoch, step),
train_loss=loss,
test_acc=acc,
hidden_weight=MyConvNet.fc[2].weight)
# 可視化
with canvas:
canvas.draw_plot(history["train_loss"])
canvas.draw_plot(history["test_acc"])
canvas.draw_image(history["hidden_weight"])不同于tensorboard，hiddenlayer會在程序運行的過程中動態(tài)生成圖像，而不是模型訓練完后。
下面為模型訓練的某一時刻的截圖：
三、使用Visdom進行可視化
Visdom是Facebook為pytorch開發(fā)的一塊可視化工具。類似于tensorboard，visdom也是通過在本地啟動前端服務器來實現可視化的，而在具體操作上，visdom又類似于matplotlib.pyplot。所以使用起來很靈活。
首先先安裝visdom庫，然后補坑。由于啟動前端服務器需要大量依賴項，所以在第一次啟動時可能會很慢（需要下載前端三板斧的依賴項），解決方法請見這里。
先導入需要的第三方庫：
from visdom import Visdom from sklearn.datasets import load_iris import torch import numpy as np from PIL import Image
matplotlib里，用戶繪圖可以通過plt這個對象來繪圖，在visdom中，同樣需要一個繪圖對象，我們通過vis = Visdom()來獲取。具體繪制時，由于我們會一次畫好幾張圖，所以visdom要求用戶在繪制時指定當前繪制圖像的窗口名字（也就是win這個參數）；除此之外，為了到時候顯示的分塊，用戶還需要指定繪圖環(huán)境env，這個參數相同的圖像，最后會顯示在同一張頁面上。
繪制線圖（相當于matplotlib中的plt.plot）
# 繪制圖像需要的數據
iris_x, iris_y = load_iris(return_X_y=True)
# 獲取繪圖對象，相當于plt
vis = Visdom()
# 添加折線圖
x = torch.linspace(-6, 6, 100).view([-1, 1])
sigmoid = torch.nn.Sigmoid()
sigmoid_y = sigmoid(x)
tanh = torch.nn.Tanh()
tanh_y = tanh(x)
relu = torch.nn.ReLU()
relu_y = relu(x)
# 連接三個張量
plot_x = torch.cat([x, x, x], dim=1)
plot_y = torch.cat([sigmoid_y, tanh_y, relu_y], dim=1)
# 繪制線性圖
vis.line(X=plot_x, Y=plot_y, win="line plot", env="main",
opts={
"dash" : np.array(["solid", "dash", "dashdot"]),
"legend" : ["Sigmoid", "Tanh", "ReLU"]
})繪制散點圖：
# 繪制2D和3D散點圖
# 參數Y用來指定點的分布，win指定圖像的窗口名稱，env指定圖像所在的環(huán)境，opts通過字典來指定一些樣式
vis.scatter(iris_x[ : , 0 : 2], Y=iris_y+1, win="windows1", env="main")
vis.scatter(iris_x[ : , 0 : 3], Y=iris_y+1, win="3D scatter", env="main",
opts={
"markersize" : 4, # 點的大小
"xlabel" : "特征1",
"ylabel" : "特征2"
})繪制莖葉圖：
# 添加莖葉圖
x = torch.linspace(-6, 6, 100).view([-1, 1])
y1 = torch.sin(x)
y2 = torch.cos(x)
# 連接張量
plot_x = torch.cat([x, x], dim=1)
plot_y = torch.cat([y1, y2], dim=1)
# 繪制莖葉圖
vis.stem(X=plot_x, Y=plot_y, win="stem plot", env="main",
opts={
"legend" : ["sin", "cos"],
"title" : "莖葉圖"
})繪制熱力圖：
# 計算鳶尾花數據集特征向量的相關系數矩陣
iris_corr = torch.from_numpy(np.corrcoef(iris_x, rowvar=False))
# 繪制熱力圖
vis.heatmap(iris_corr, win="heatmap", env="main",
opts={
"rownames" : ["x1", "x2", "x3", "x4"],
"columnnames" : ["x1", "x2", "x3", "x4"],
"title" : "熱力圖"
})可視化圖片，這里我們使用自定義的env名MyPlotEnv
# 可視化圖片
img_Image = Image.open("./example.jpg")
img_array = np.array(img_Image.convert("L"), dtype=np.float32)
img_tensor = torch.from_numpy(img_array)
print(img_tensor.shape)
# 這次env自定義
vis.image(img_tensor, win="one image", env="MyPlotEnv",
opts={
"title" : "一張圖像"
})可視化文本，同樣在MyPlotEnv中繪制：
# 可視化文本
text = "hello world"
vis.text(text=text, win="text plot", env="MyPlotEnv",
opts={
"title" : "可視化文本"
})運行上述代碼，再通過在終端中輸入python3 -m visdom.server啟動服務器，然后根據終端返回的URL，在谷歌瀏覽器中訪問這個URL，就可以看到圖像了。
在Environment中輸入不同的env參數可以看到我們在不同環(huán)境下繪制的圖片。對于分類圖集特別有用。
在終端中按下Ctrl+C可以終止前端服務器。
到此這篇關于PyTorch中可視化工具的使用的文章就介紹到這了,更多相關PyTorch 可視化工具內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
在本篇文章里小編給大家整理的是關于python設置表格邊框的具體方法及相關代碼，需要的朋友們可以學習參考下。2020-07-07
這篇文章主要為大家詳細介紹了Python如何實現制作一個多圖繪制系統(tǒng),文中的示例代碼簡潔易懂,具有一定的借鑒價值,感興趣的小伙伴可以學習一下2023-09-09
SQLite是一種輕量級的嵌入式數據庫,廣泛應用于各種應用程序中,Python提供了內置的sqlite3模塊,使得連接和操作SQLite數據庫變得非常簡單,本文給大家介紹了使用Python連接SQLite數據庫的操作步驟,需要的朋友可以參考下2024-12-12
這篇文章主要介紹了python代碼xml轉txt實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-03-03
Python的Flask框架應用程序實現使用QQ賬號登錄的方法
利用QQ開放平臺的API使用QQ賬號登錄是現在很多網站都具備的功能,而對于Flask框架來說則有Flask-OAuthlib這個現成的輪子,這里我們就來看一下Python的Flask框架應用程序實現使用QQ賬號登錄的方法2016-06-06
這篇文章主要介紹了python程序 線程隊列queue使用方法解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-09-09
這篇文章主要為大家詳細介紹了python實現FTP循環(huán)上傳文件，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-03-03
在本篇文章里小編給大家整理的是一篇關于python多線程和多進程之間的聯系的基礎內容，有興趣的朋友們可以學習下。2020-12-12
今天小編就為大家分享一篇對Django外鍵關系的描述，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
這篇文章主要為大家介紹了pytorch教程中關于Tensor的操作使用，有需要的朋友可以借鑒參考下，希望可以有所幫助，祝大家升職加薪，共同進步2021-09-09