Wandb——Pytorch模型指标可视化及超参搜索

Wandb——Pytorch模型指标可视化及超参搜索

文章目录

• Wandb——Pytorch模型指标可视化及超参搜索
• 前言
• 一、wandb是什么？
• 二、可视化模型参数
  *
• 1.伪代码
• 2.官方示例
  –
  • >> step0:
  • >> step1:
  • >>>>>>>>>>>>> 中场休息梳理后续代码结构<<<<<<<<<<<<
  • >> step2:
  • >> step3:
  • >> step4:
  • >> step5:
• 三、超参搜索
  *
• 替换
• 添加
• 最后
• 附录

前言

之前在使用YOLOV5开源代码的过程中注意到里面有个名为wandb的包，用来记录并可视化模型参数（类似tensorboard，但更好看嘿嘿），用起来非常方便。 最近抽了两天折腾了一下，但感觉不论是官网的示例还是中文平台上的一些教程都非常模棱两可（不排除是我菜一时半会看不明白，所以决定记录一下自己探索的过程，一方面方便自己复盘，另一方面也方便其他有类似需求的人参考。

提示：这里仅尝试了结合Pytorch进行模型参数记录以及超参搜索，更多用法仍有待探索

一、wandb是什么？

wandb全称” Weights & Biases “，说白了就是” y = w*x + b “中的权重和偏置，只不过对应到深度学习中会更为复杂一些。
按照官网的解释，wandb是一款提供给开发人员的用来更好更快构建机器学习模型的平台，具有轻量化、可交互、快速跟踪实验、追踪版本、迭代数据集、评估模型性能、重现模型、可视化结果和点回归等特性。同时也非常方便将实验分享给其他人。

这里给出一些相关网址：

wandb官网：https://wandb.ai/site

wandb文档：https://docs.wandb.ai/v/zh-hans/

常见报错及解决：https://docs.wandb.ai/guides/sweeps/faq

模型参数可视化colab示例：http://wandb.me/pytorch-colab

超参搜索colab示例：https://colab.research.google.com/github/wandb/examples/blob/master/colabs/pytorch/Organizing_Hyperparameter_Sweeps_in_PyTorch_with_W%26B.ipynb

提示：如果网上不去说明需要xxx，不用担心后面给出了重要部分的截图 或也可参考下方代码

; 二、可视化模型参数

1.伪代码

代码大致可分为以下步骤：
①导包
②初始化一个项目
③设置参数
④设定好模型和数据集
⑤追踪模型参数并记录
⑥储存模型

import wandb

wandb.init(project="new-sota-model")

wandb.config = {"learning_rate": 0.001, "epochs": 100, "batch_size": 128}

model, dataloader = get_model(), get_data()

wandb.watch(model)

for batch in dataloader:
  metrics = model.training_step()

  wandb.log(metrics)

model.to_onnx()
wandb.save("model.onnx")

2.官方示例

>> step0:

这步的主要作用是引入一些后续需要使用的包并初始化设备是GPU还是CPU

import os
import random

import numpy as np
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
from tqdm.notebook import tqdm

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

>> step1:

导入wandb的包 并登录（代码执行后会弹出网址 ，点进去先注册，然后就会给一串代码用来登录 复制粘贴即可）
在此之前需要先在命令行使用’pip install wandb –upgrade’以安装该包
注意：如果上述过程是使用jupyternotebook操作，会有警告“找不到你正在使用的notebook”，不用担心，这是个bug忽视即可，不会对后续产生影响；再有就是使用jupyternotebook的话输出行是没有办法进行交互的，也就是没办法把那串代码粘贴进去，这时候用命令行运行这两行代码即可，然后在回来就好

import wandb

wandb.login()

>>>>>>>>>>>>> 中场休息梳理后续代码结构<<<<<<<<<<<<

; >> step2:

初始化模型的一些参数

config = dict(
    epochs=5,
    classes=10,
    kernels=[16, 32],
    batch_size=128,
    learning_rate=0.005,
    dataset="MNIST",
    architecture="CNN")

>> step3:

定义整个流程

def model_pipeline(hyperparameters):

    with wandb.init(project="pytorch-demo", config=hyperparameters):

      config = wandb.config

      model, train_loader, test_loader, criterion, optimizer = make(config)
      print(model)

      train(model, train_loader, criterion, optimizer, config)

      test(model, test_loader)

    return model

>> step4:

定义一些具体的函数

def make(config):

    train, test = get_data(train=True), get_data(train=False)
    train_loader = make_loader(train, batch_size=config.batch_size)
    test_loader = make_loader(test, batch_size=config.batch_size)

    model = ConvNet(config.kernels, config.classes).to(device)

    criterion = nn.CrossEntropyLoss()
    optimizer = torch.optim.Adam(
        model.parameters(), lr=config.learning_rate)

    return model, train_loader, test_loader, criterion, optimizer

def get_data(slice=5, train=True):
    full_dataset = torchvision.datasets.MNIST(root=".",
                                              train=train,
                                              transform=transforms.ToTensor(),
                                              download=True)

    sub_dataset = torch.utils.data.Subset(
      full_dataset, indices=range(0, len(full_dataset), slice))

    return sub_dataset

def make_loader(dataset, batch_size):
    loader = torch.utils.data.DataLoader(dataset=dataset,
                                         batch_size=batch_size,
                                         shuffle=True,
                                         pin_memory=True, num_workers=2)
    return loader

class ConvNet(nn.Module):
    def __init__(self, kernels, classes=10):
        super(ConvNet, self).__init__()

        self.layer1 = nn.Sequential(
            nn.Conv2d(1, kernels[0], kernel_size=5, stride=1, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.layer2 = nn.Sequential(
            nn.Conv2d(16, kernels[1], kernel_size=5, stride=1, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.fc = nn.Linear(7 * 7 * kernels[-1], classes)

    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(out)
        out = out.reshape(out.size(0), -1)
        out = self.fc(out)
        return out

def train(model, loader, criterion, optimizer, config):

    wandb.watch(model, criterion, log="all", log_freq=10)

    total_batches = len(loader) * config.epochs
    example_ct = 0
    batch_ct = 0
    for epoch in tqdm(range(config.epochs)):
        for _, (images, labels) in enumerate(loader):

            loss = train_batch(images, labels, model, optimizer, criterion)
            example_ct +=  len(images)
            batch_ct += 1

            if ((batch_ct + 1) % 25) == 0:
                train_log(loss, example_ct, epoch)

def train_batch(images, labels, model, optimizer, criterion):
    images, labels = images.to(device), labels.to(device)

    outputs = model(images)
    loss = criterion(outputs, labels)

    optimizer.zero_grad()
    loss.backward()

    optimizer.step()

    return loss

def train_log(loss, example_ct, epoch):

    wandb.log({"epoch": epoch, "loss": loss}, step=example_ct)
    print(f"Loss after " + str(example_ct).zfill(5) + f" examples: {loss:.3f}")

def test(model, test_loader):
    model.eval()

    with torch.no_grad():
        correct, total = 0, 0
        for images, labels in test_loader:
            images, labels = images.to(device), labels.to(device)
            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()

        print(f"Accuracy of the model on the {total} " +
              f"test images: {100 * correct / total}%")

        wandb.log({"test_accuracy": correct / total})

    torch.onnx.export(model, images, "model.onnx")
    wandb.save("model.onnx")

>> step5:

运行下面的函数会显示所有的记录过的指标

model = model_pipeline(config)

最后把上方代码放到一起即可正常运行

三、超参搜索

提示：官方示例这部分看着就像是另一个人写的一样，逻辑和之前的示例完全不一样，所以我这里就直接结合和上一个示例稍加修改实现超参搜索的功能。

替换

1.将上面代码中的config部分替换为：

import math

sweep_config = {
    'method': 'random'
    }
metric = {
    'name': 'test_accuracy',
    'goal': 'minimize'
    }

sweep_config['metric'] = metric

parameters_dict = {
    'learning_rate': {

        'distribution': 'uniform',
        'min': 0,
        'max': 0.1
      },
    'batch_size': {

        'distribution': 'q_log_uniform',
        'q': 1,
        'min': math.log(32),
        'max': math.log(256),
      }
    }
parameters_dict.update({
    'epochs': {
        'value': 20},
    'classes': {
        'value': 10},
    'kernels': {
        'value': [16, 32]}
})
sweep_config['parameters'] = parameters_dict

2.将pipeline的前面的部分替换为下列代码

def model_pipeline(hyperparameters=None):
    with wandb.init(config=hyperparameters):

添加

在原先s2和s3中间添加代码：该部分用来将参数范围上传至服务器由服务器负责初始化参数，这也解释了为什么’hyperparameters=None’

sweep_id = wandb.sweep(sweep_config, project="pytorch-sweeps-demo")

最后

wandb.agent(sweep_id, model_pipeline, count=50)

附录

提供两官方示例的截图：可视化和超参搜索

Original: https://blog.csdn.net/weixin_42686816/article/details/123953150
Author: 鹿枫
Title: Wandb——Pytorch模型指标可视化及超参搜索