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(shù)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(shù)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(shù)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(xiàn)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(shù)據(jù)，此處就導入MNIST數(shù)據(jù)集，并做訓練前的一些基本的數(shù)據(jù)處理。
import torchvision
import torch.utils.data as Data
# 準備訓練用的MNIST數(shù)據(jù)集
train_data = torchvision.datasets.MNIST(
root = "./data/MNIST", # 提取數(shù)據(jù)的路徑
train=True, # 使用MNIST內的訓練數(shù)據(jù)
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(shù)據(jù)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(shù)據(jù)
download=False
)
# 將測試數(shù)據(jù)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(shù)據(jù)和訓練數(shù)據(jù)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?，先通過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(shù)
optimizer = torch.optim.Adam(MyConvNet.parameters(), lr=3e-4)
loss_func = nn.CrossEntropyLoss()
log_step_interval = 100 # 記錄的步數(shù)間隔
for epoch in range(5):
print("epoch:", epoch)
# 每一輪都遍歷一遍數(shù)據(jù)加載器
for step, (x, y) in enumerate(train_loader):
# 前向計算->計算損失函數(shù)->(從損失函數(shù))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(shù))
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(shù)-全局迭代次數(shù)
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(shù)
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(shù)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(shù)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(shù)
optimizer = torch.optim.Adam(MyConvNet.parameters(), lr=3e-4)
loss_func = nn.CrossEntropyLoss()
log_step_interval = 100 # 記錄的步數(shù)間隔
for epoch in range(5):
print("epoch:", epoch)
# 每一輪都遍歷一遍數(shù)據(jù)加載器
for step, (x, y) in enumerate(train_loader):
# 前向計算->計算損失函數(shù)->(從損失函數(shù))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(shù))
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(xiàn)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(shù)）；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(shù)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(shù)據(jù)
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(shù)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(shù)據(jù)集特征向量的相關系數(shù)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(jù)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(shù)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
這篇文章主要介紹了Python Tkinter簡單布局實例教程,包括了填充、左右布局、絕對布局、網格布局等,需要的朋友可以參考下2014-09-09
詳解Python操作RabbitMQ服務器消息隊列的遠程結果返回
RabbitMQ是一款基于MQ的服務器,Python可以通過Pika庫來進行程序操控,這里我們將來詳解Python操作RabbitMQ服務器消息隊列的遠程結果返回:2016-06-06
這篇文章主要介紹了Python實現(xiàn)的一個簡單LRU cache,本文根據(jù)實際需求總結而來,需要的朋友可以參考下2014-09-09
這篇文章主要介紹了詳解python3中的真值測試，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-08-08
pytorch中tensorboard安裝及安裝過程中出現(xiàn)的常見錯誤問題
這篇文章主要介紹了pytorch中tensorboard安裝及安裝過程中出現(xiàn)的常見錯誤問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09
這篇文章主要介紹了python 實現(xiàn)的IP 存活掃描腳本，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-12-12
這篇文章主要介紹了Python中的支持向量機SVM的使用（附實例代碼），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，需要的朋友們下面隨著小編來一起學習學習吧2019-06-06
今天小編就為大家分享一篇Python使用Phantomjs截屏網頁的方法，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2018-05-05
在本篇文章里小編給大家整理了一篇關于Python爬蟲突破反爬蟲機制知識點總結內容，有需要的朋友們可以跟著學習下。2021-11-11
win7上python2.7連接mysql數(shù)據(jù)庫的方法
這篇文章主要介紹了win7上python2.7連接mysql數(shù)據(jù)庫的方法,小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-01-01