wandb不可缺少的机器学习分析工具

Posted 修炼之路

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了wandb不可缺少的机器学习分析工具相关的知识,希望对你有一定的参考价值。

wandb

wandb全称Weights & Biases,用来帮助我们跟踪机器学习的项目,通过wandb可以记录模型训练过程中指标的变化情况以及超参的设置,还能够将输出的结果进行可视化的比对,帮助我们更好的分析模型在训练过程中的问题,同时我们还可以通过它来进行团队协作

wandb会将训练过程中的参数,上传到服务器上,然后通过登录wandb来进行实时过程模型训练过程中参数和指标的变化

wandb的特点

  • 保存模型训练过程中的超参数
  • 实时可视化训练过程中指标的变化
  • 分析训练过程中系统指标(CPU/GPU的利用率)的变化情况
  • 和团队协作开发
  • 复现历史结果
  • 实验记录的永久保留
  • wandb可以很容易的集成到各个深度学习框架中(Pytorch、Keras、Tensorflow等)

wandb的组成模块

wandb主要由四大模块组成,分别是:

  1. 仪表盘:跟踪实验分析可视化结果
  2. 报告:保存和分析可复制的实验结果
  3. Sweeps:通过调节超参数来优化模型
  4. Artifacts:数据集和模型版本化,流水线跟踪

wandb账号注册

  • 安装wandb
pip install wandb
  • 注册wandb账号
    在使用wandb之前,我们需要先注册一个免费账号

  • 拷贝API keys
    在网站上登录wandb,点击Settings

    滚动到最下面,找到API Keys进行复制

在torch中嵌入wandb

这部分我们主要介绍如何在torch中使用wandb,这里我们以训练MNIST为例

  1. 导包
import argparse
import random 
import numpy
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
import logging
logging.propagate = False 
logging.getLogger().setLevel(logging.ERROR)

import wandb
  1. 登录wandb
wandb.login(key="填入你的API Keys")
  1. 定义网络结构
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        
        self.conv2_drop = nn.Dropout2d()

        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        
        x = x.view(-1, 320)
        
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        
        return F.log_softmax(x, dim=1)
  1. 定义训练方法
def train(args, model, device, train_loader, optimizer, epoch):
    model.train()
    
    for batch_idx, (data, target) in enumerate(train_loader):
        if batch_idx > 20:
          break

        data, target = data.to(device), target.to(device)
        
        optimizer.zero_grad()
        
        output = model(data)
        
        loss = F.nll_loss(output, target)
        
        loss.backward()
        
        optimizer.step()
  1. 定义验证方法
def test(args, model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    best_loss = 1

    example_images = []
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            
            output = model(data)
            
            test_loss += F.nll_loss(output, target, reduction='sum').item()
            
            pred = output.max(1, keepdim=True)[1]
            correct += pred.eq(target.view_as(pred)).sum().item()
            
            example_images.append(wandb.Image(
                data[0], caption="Pred:  Truth: ".format(pred[0].item(), target[0])))
    #通过wandb来记录模型在测试集上的Accuracy和Loss
    wandb.log(
        "Examples": example_images,
        "Test Accuracy": 100. * correct / len(test_loader.dataset),
        "Test Loss": test_loss)
  1. 训练模型
# 定义项目在wandb上保存的名称
wandb.init(project="pytorch-mnist")
wandb.watch_called = False

# 在wandb上保存超参数
config = wandb.config          
config.batch_size = 4         
config.test_batch_size = 10   
config.epochs = 50            
config.lr = 0.1              
config.momentum = 0.1          
config.no_cuda = False         
config.seed = 42               
config.log_interval = 10 

def main():
    use_cuda = not config.no_cuda and torch.cuda.is_available()
    device = torch.device("cuda" if use_cuda else "cpu")
    kwargs = 'num_workers': 1, 'pin_memory': True if use_cuda else 
    
   
    random.seed(config.seed)      
    torch.manual_seed(config.seed)
    numpy.random.seed(config.seed) 
    torch.backends.cudnn.deterministic = True
	
    train_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=True, download=True,
                       transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
        batch_size=config.batch_size, shuffle=True, **kwargs)
    test_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=False, transform=transforms.Compose([
            transforms.ToTensor(),
            transforms.Normalize((0.1307,), (0.3081,))
        ])),
        batch_size=config.test_batch_size, shuffle=True, **kwargs)

    model = Net().to(device)
    optimizer = optim.SGD(model.parameters(), lr=config.lr,
                          momentum=config.momentum)
    
	#记录模型层的维度,梯度,参数信息
    wandb.watch(model, log="all")

    for epoch in range(1, config.epochs + 1):
        train(config, model, device, train_loader, optimizer, epoch)
        test(config, model, device, test_loader)
        
    #保存模型
    torch.save(model.state_dict(), "model.h5")
    #在wandb上保存模型
    wandb.save('model.h5')

if __name__ == '__main__':
    main()

查看训练的结果

  • 登录到wandb的网站上查看训练结果
  • 查看模型在测试集上Accuracyloss的变化
  • 查看模型的预测效果
  • 查看训练过程中系统参数(GPU和CPU等)的变化情况

参考

  1. https://docs.wandb.ai/v/zh-hans/quickstart
  2. https://github.com/wandb/wandb

以上是关于wandb不可缺少的机器学习分析工具的主要内容,如果未能解决你的问题,请参考以下文章

wandb不可缺少的机器学习分析工具

wandb(w&b)(weights and biases): 深度学习轻量级可视化工具入门教程

Wandb指南 by 算法美食屋 - 知识点目录

matlab为什么缺少工具

PHP项目开发不可缺少的工具-SVN视频教程

14只股票,数字货币概念股潜伏标的详细分析