pytorch——使用tensorobard不刷新的問題

在tensorflow中可以使用tensorboard來查看訓練過程中loss的變化，來判斷模型是否已經收斂 ，或者需要查看train dataset與dev dataset上效果來判斷是否有過擬合的現象。

pytorch中已經集成了tensorboard的API，不用再使用tensorboardX來調用api了。但是啓動tensorboard的web頁面時，需要安裝tensorboard。並且不需要再安裝tensorflow了，就可以完成監控指標的刷新。

用一個CNN的的例子：

# -*- encoding: utf-8 -*-
import warnings

# pytorch=1.4.0
# tensorboard=1.14.0
warnings.filterwarnings('ignore')
import matplotlib.pyplot as plt
import numpy as np
import torch
import torchvision
import torch.nn as nn
import torch.nn.functional as F
from torch.optim import Adam
from torch.utils.tensorboard import SummaryWriter
from torchvision.transforms import transforms

# transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5))])
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5,), (0.5,))])

trainset = torchvision.datasets.FashionMNIST('./data', download=True, train=True, transform=transform)

testset = torchvision.datasets.FashionMNIST('./data', download=True, train=False, transform=transform)

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)

dataiter = iter(trainloader)
images, labels = dataiter.next()

# create grid of images
img_grid = torchvision.utils.make_grid(images)


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)))


# show images
matplotlib_imshow(img_grid, one_channel=True)

writer = SummaryWriter('runs/experiment', flush_secs=1)

# write to tensorboard
writer.add_image('four_fashion_mnist_images', img_grid)


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.pool = nn.MaxPool2d(2, 2)
        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()
lossfn = nn.CrossEntropyLoss()
optimizer = Adam(net.parameters(), lr=1e-3)
print(net)

# write to tensorboard
num_epochs = 1

loss_value = 0.0
for epoch in range(num_epochs):
    for i, data in enumerate(trainloader, 0):
        images, labels = data
        optimizer.zero_grad()
        # forward and backward
        outputs = net(images)
        # output shape [batch_size, num_classes], labels shape [batch_size]
        loss = lossfn(outputs, labels)
        loss.backward()
        optimizer.step()

        loss_value += loss.item()
        if i % 1000 == 999:
            writer.add_scalar('training_loss', loss_value / 1000, epoch * len(trainloader) + i)
            print(f'epoch:{epoch}, global step:{epoch * len(trainloader) + i},loss:{loss_value / 1000}')
            loss_value = 0.0

print('Finished Training')

主要是完成了對一個batch的圖片的打印，及在訓練過程中打印loss。從代碼中可以看出是訓練了1個epoch，global step是乘上epoch了，每1000個batch計算一個平均loss，並打印。

注意的一個地方：在初始化SummaryWriter的時候，有一個參數可以控制flush的時間，是以sec來計的，默認是120s也就是2min鍾。如果訓練時候比較短，並且沒有修改這個flush時間話就不會在tensorboard上隨着訓練的步數updating。如果最後也不close()的話，就不會打出來了。這個點還困擾了我半天的時間。

當然這裏的網絡也是比較簡單的，兩個卷積層，兩個池化層，還有三個全連接層。最後是一個多分類的問題。輸出是[batch_size, num_classes]的值。

loss function用的是交叉熵，nn.CrossEntropyLoss，它的輸入是兩個值，一個predict值一個真實值。predict的值的shape是[batch_size, num_classes]，真實值的shape是[batch_size]，也就是[0,num_classes)中取值。

比如：一個三分類，batch_size爲2， 則predict是

[[0.1, 0.1, 0.8],
 [0.2, 0.6, 0.2]]

則真實值是

[2,1]

注意交叉熵的輸入值。

再一個注意的地方是：
optimizer用的Adam，第一個參數是params，也就是模型需要訓練的參數：可以直接通過 net.parameters()來獲取。

參考：

https://pytorch.org/docs/stable/tensorboard.html
https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html