一、前言
训练深度学习模型，就像“炼丹”，模型可能需要训练很多天。
我们不可能像「太上老君」那样，拿着浮尘，24 小时全天守在「八卦炉」前，更何况人家还有炼丹童、天兵天将，轮流值守。
人手不够，“法宝”来凑。
本文就盘点一下，我们可以使用的「炼丹法宝」。
PS：文中出现的所有代码，均可在我的 Github 上下载：点击查看
二、初级“法宝”，sys.stdout
训练模型，最常看的指标就是 Loss。我们可以根据 Loss 的收敛情况，初步判断模型训练的好坏。
如果，Loss 值突然上升了，那说明训练有问题，需要检查数据和代码。
如果，Loss 值趋于稳定，那说明训练完毕了。
观察 Loss 情况，最直观的方法，就是绘制 Loss 曲线图。
通过绘图，我们可以很清晰的看到，左图还有收敛空间，而右图已经完全收敛。
通过 Loss 曲线，我们可以分析模型训练的好坏，模型是否训练完成，起到一个很好的“监控”作用。
绘制 Loss 曲线图，第一步就是需要保存训练过程中的 Loss 值。
一个最简单的方法是使用，sys.stdout 标准输出重定向，简单好用，实乃“炼丹”必备“良宝”。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | import os import sys class Logger(): def __init__(self, filename="log.txt"): self.terminal = sys.stdout self.log = open(filename, "w") def write(self, message): self.terminal.write(message) self.log.write(message) def flush(self): pass sys.stdout = Logger() print("Jack Cui") print("https://cuijiahua.com") print("https://mp.weixin.qq.com/s/OCWwRVDFNslIuKyiCVUoTA") |
代码很简单，创建一个 log.py 文件，自己写一个 Logger 类，并采用 sys.stdout 重定向输出。
在 Terminal 中，不仅可以使用 print 打印结果，同时也会将结果保存到 log.txt 文件中。
运行 log.py，打印 print 内容的同时，也将内容写入了 log.txt 文件中。
使用这个代码，就可以在打印 Loss 的同时，将结果保存到指定的 txt 中，比如保存上篇文章训练 UNet 的 Loss。
三、中级“法宝”，matplotlib
Matplotlib 是一个 Python 的绘图库，简单好用。
简单几行命令，就可以绘制曲线图、散点图、条形图、直方图、饼图等等。
在深度学习中，一般就是绘制曲线图，比如 Loss 曲线、Acc 曲线。
举一个，简单的例子。
使用 sys.stdout 保存的 train_loss.txt，绘制 Loss 曲线。
train_loss.txt 下载地址：点击查看
思路非常简单，读取 txt 内容，解析 txt 内容，使用 Matplotlib 绘制曲线。
1 2 3 4 5 6 7 8 9 10 11 12 13 | import matplotlib.pyplot as plt # Jupyter notebook 中开启 # %matplotlib inline with open('train_loss.txt', 'r') as f: train_loss = f.readlines() train_loss = list(map(lambda x:float(x.strip()), train_loss)) x = range(len(train_loss)) y = train_loss plt.plot(x, y, label='train loss', linewidth=2, color='r', marker='o', markerfacecolor='r', markersize=5) plt.xlabel('Epoch') plt.ylabel('Loss Value') plt.legend() plt.show() |
指定 x 和 y 对应的值，就可以绘制。
是不是很简单？
关于 Matplotlib 更多的详细教程，可以查看官方手册：点击查看
四、中级“法宝”，Logging
说到保存日志，那不得不提 Python 的内置标准模块 Logging，它主要用于输出运行日志，可以设置输出日志的等级、日志保存路径、日志文件回滚等，同时，我们也可以设置日志的输出格式。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | import logging def get_logger(LEVEL, log_file = None): head = '[%(asctime)-15s] [%(levelname)s] %(message)s' if LEVEL == 'info': logging.basicConfig(level=logging.INFO, format=head) elif LEVEL == 'debug': logging.basicConfig(level=logging.DEBUG, format=head) logger = logging.getLogger() if log_file != None: fh = logging.FileHandler(log_file) logger.addHandler(fh) return logger logger = get_logger('info') logger.info('Jack Cui') logger.info('https://cuijiahua.com') logger.info('https://mp.weixin.qq.com/s/OCWwRVDFNslIuKyiCVUoTA') |
只需要几行代码，进行一个简单的封装使用。使用函数 get_logger 创建一个级别为 info 的 logger，如果指定 log_file，则会对日志进行保存。
logging 默认支持的日志一共有 5 个等级：
日志级别等级 CRITICAL > ERROR > WARNING > INFO > DEBUG。
默认的日志级别设置为 WARNING，也就是说如果不指定日志级别，只会显示大于等于 WARNING 级别的日志。
例如：
1 2 3 4 5 6 | import logging logging.debug("debug_msg") logging.info("info_msg") logging.warning("warning_msg") logging.error("error_msg") logging.critical("critical_msg") |
运行结果：
1 2 3 | WARNING:root:warning_msg ERROR:root:error_msg CRITICAL:root:critical_msg |
可以看到 info 和 debug 级别的日志不会输出，默认的日志格式也比较简单。
1 | 默认的日志格式为日志级别：Logger名称：用户输出消息 |
当然，我们可以通过，logging.basicConfig 的 format 参数，设置日志格式。
字段有很多，可谓应有尽有，足以满足我们定制化的需求。
五、高级“法宝”，TensorboardX
上文介绍的“法宝”，并非针对深度学习“炼丹”使用的工具。
而 TensorboardX 则不同，它是专门用于深度学习“炼丹”的高级“法宝”。
早些时候，很多人更喜欢用 Tensorflow 的原因之一，就是 Tensorflow 框架有个一个很好的可视化工具 Tensorboard。
Pytorch 要想使用 Tensorboard 配置起来费劲儿不说，还有很多 Bug。
Pytorch 1.1.0 版本发布后，打破了这个局面，TensorBoard 成为了 Pytorch 的正式可用组件。
在 Pytorch 中，这个可视化工具叫做 TensorBoardX，其实就是针对 Tensorboard 的一个封装，使得 PyTorch 用户也能够调用 Tensorboard。
TensorboardX 安装也非常简单，使用 pip 即可安装，需要注意的是 Pytorch 的版本需要大于 1.1.0。
1 | pip install tensorboardX |
tensorboardX 使用也很简单，编写如下代码。
1 2 3 4 5 6 7 8 9 10 11 12 13 | from tensorboardX import SummaryWriter # 创建 writer1 对象 # log 会保存到 runs/exp 文件夹中 writer1 = SummaryWriter('runs/exp') # 使用默认参数创建 writer2 对象 # log 会保存到 runs/日期_用户名 格式的文件夹中 writer2 = SummaryWriter() # 使用 commet 参数，创建 writer3 对象 # log 会保存到 runs/日期_用户名_resnet 格式的文件中 writer3 = SummaryWriter(comment='_resnet') |
使用的时候，创建一个 SummaryWriter 对象即可，以上展示了三种初始化 SummaryWriter 的方法：
- 提供一个路径，将使用该路径来保存日志
- 无参数，默认将使用 runs/日期_用户名 路径来保存日志
- 提供一个 comment 参数，将使用 runs/日期_用户名+comment 路径来保存日志
运行结果：
有了 writer 我们就可以往日志里写入数字、图片、甚至声音等数据。
数字 (scalar)
这个是最简单的，使用 add_scalar 方法来记录数字常量。
1 | add_scalar(tag, scalar_value, global_step=None, walltime=None) |
总共 4 个参数。
- tag (string): 数据名称，不同名称的数据使用不同曲线展示
- scalar_value (float): 数字常量值
- global_step (int, optional): 训练的 step
- walltime (float, optional): 记录发生的时间，默认为 time.time()
需要注意，这里的 scalar_value 一定是 float 类型，如果是 PyTorch scalar tensor，则需要调用 .item() 方法获取其数值。我们一般会使用 add_scalar 方法来记录训练过程的 loss、accuracy、learning rate 等数值的变化，直观地监控训练过程。
运行如下代码：
1 2 3 4 5 6 | from tensorboardX import SummaryWriter writer = SummaryWriter('runs/scalar_example') for i in range(10): writer.add_scalar('quadratic', i**2, global_step=i) writer.add_scalar('exponential', 2**i, global_step=i) writer.close() |
通过 add_scalar 往日志里写入数字，日志保存到 runs/scalar_example中，writer 用完要记得 close，否则无法保存数据。
在 cmd 中使用如下命令：
1 | tensorboard --logdir=runs/scalar_example --port=8088 |
指定日志地址，使用端口号，在浏览器中，就可以使用如下地址，打开 Tensorboad。
1 | http://localhost:8088/ |
省去了我们自己写代码可视化的麻烦。
图片 (image)
使用 add_image 方法来记录单个图像数据。注意，该方法需要 pillow 库的支持。
1 | add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW') |
参数：
- tag (string)：数据名称
- img_tensor (torch.Tensor / numpy.array)：图像数据
- global_step (int, optional)：训练的 step
- walltime (float, optional)：记录发生的时间，默认为 time.time()
- dataformats (string, optional)：图像数据的格式，默认为 'CHW'，即 Channel x Height x Width，还可以是 'CHW'、'HWC' 或 'HW' 等
我们一般会使用 add_image 来实时观察生成式模型的生成效果，或者可视化分割、目标检测的结果，帮助调试模型。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | from tensorboardX import SummaryWriter from urllib.request import urlretrieve import cv2 urlretrieve(url = 'https://raw.githubusercontent.com/Jack-Cherish/Deep-Learning/master/Pytorch-Seg/lesson-2/data/train/label/0.png',filename = '1.jpg') urlretrieve(url = 'https://raw.githubusercontent.com/Jack-Cherish/Deep-Learning/master/Pytorch-Seg/lesson-2/data/train/label/1.png',filename = '2.jpg') urlretrieve(url = 'https://raw.githubusercontent.com/Jack-Cherish/Deep-Learning/master/Pytorch-Seg/lesson-2/data/train/label/2.png',filename = '3.jpg') writer = SummaryWriter('runs/image_example') for i in range(1, 4): writer.add_image('UNet_Seg', cv2.cvtColor(cv2.imread('{}.jpg'.format(i)), cv2.COLOR_BGR2RGB), global_step=i, dataformats='HWC') writer.close() |
代码就是下载上篇文章数据集里的三张图片，然后使用 Tensorboard 可视化处理来，使用 8088 端口开打 Tensorboard：
1 | tensorboard --logdir=runs/image_example --port=8088 |
运行结果：
试想一下，一边训练，一边输出图片结果，是不是很酸爽呢？
Tensorboard 中常用的 Scalar 和 Image，直方图、运行图、嵌入向量等，可以查看官方手册进行学习，方法都是类似的，简单好用。
官方文档：点击查看
六、总结
工欲善其事，必先利其器。
本文讲解了深度学习中，常用的“炼丹法宝”的使用方法，sys.stdout、matplotlib、logging、tensorboardX 你更喜欢哪一款？
2020年5月22日 上午10:12 沙发
1