[PYTHON] J'ai essayé d'utiliser Tensorboard, un outil de visualisation pour l'apprentissage automatique

introduction

J'ai utilisé Tensorboard pour la première fois pour dessiner un graphique et j'ai été impressionné par sa commodité, je vais donc le partager. Le framework Deep Learning utilisait PyTorch.

Installation

Puisque j'utilise Anaconda, installez Tensorboard avec la commande suivante.

conda install tensorboard

codage

tb.py

import numpy as np
from torch.utils.tensorboard import SummaryWriter#Importer SummaryWriter pour dessiner des graphiques

np.random.seed(1000)

x = np.random.randn(1000)

writer = SummaryWriter(log_dir="./logs")#Génération d'instance Spécifiez le répertoire à enregistrer

for i in range(1000):
    writer.add_scalar("x", x[i], i)#Écrire la valeur
    writer.add_scalar("sin", np.sin(i), i)

writer.close()#Fermer

Notez que si le nom du fichier est *** tensorboard.py ***, il sera couvert par le module et une erreur d'importation se produira.

Commentaire

En termes simples, le code ci-dessus trace un tableau avec des valeurs aléatoires et une fonction sin.

Importer SummaryWriter

from torch.utils.tensorboard import SummaryWriter Import SummaryWriter, qui est un module requis pour dessiner des graphiques sur Tensorboard.

Génération d'instance

writer = SummaryWriter(log_dir="./logs") Cela créera un répertoire de journaux dans le répertoire actuel et les fichiers pour Tensorboard seront enregistrés dans ces journaux.

Attribuer une valeur

Entrez les valeurs du tableau avec writer.add_scalar (" x ", x [i], i). Il s'agit de writer.add_scalar (tags, scalar_value, global_step), spécifiez le nom du graphique avec des tags, remplacez la valeur à enregistrer par scalar_value, et spécifiez l'intervalle de l'axe horizontal du graphique par global_step.

Fermer

Fermons-le en dernier avec writer.close ().

Regardez le graphique

Exécutez tb.py

Exécutons le code ci-dessus. Le graphique est dessiné.

python tb.py

Regardez le graphique

Exécutez la commande suivante. Spécifiez le répertoire enregistré par --logdir =" " . Cette fois, c'est . / Logs`.

tensorboard --logdir="./logs"

Ensuite, l'instruction suivante sera envoyée au terminal.

TensorBoard 2.2.1 at http://localhost:8000/ (Press CTRL+C to quit)

Le serveur local sera lancé, tapez donc «http: // localhost: 8000 /» dans votre navigateur.

Si vous regardez Chrome, vous pouvez voir que le graphique est parfaitement tracé.

Voir le graphique avant ssh

Le code de Deep Learning nécessite beaucoup de calculs et prend énormément de temps sur le PC local (le PC à portée de main), donc La valeur par défaut est de ssh sur le GPU du serveur dans le laboratoire et d'exécuter le code sur le serveur. Alors, comment essayez-vous le graphique dessiné sur le serveur distant sur le PC local dans un tel cas?

Ssh vers le serveur distant

Lorsque vous effectuez ssh, utilisez l'option -L pour connecter l'hôte local du client (PC local): 9000 au nom d'utilisateur du serveur distant @ adresse IP du serveur: 8000.

@PC local

nom d'utilisateur ssh@Adresse IP du serveur-L 9000:localhost:8000

Exécutez tb.py sur un serveur distant

Exécutons le code qui dessine le graphique sur le serveur distant sshed.

@Serveur distant

python tb.py

Exécuter Tensorboard

Exécutons la commande pour voir le graphique sur le serveur distant sshed. Puisque le port connecté au PC local au moment de ssh est 8000, spécifions 8000 avec l'option --port et exécutons-le.

@Serveur distant

tensorboard --logdir="./logs" --port 8000

L'instruction suivante est sortie.

@Serveur distant

TensorBoard 2.2.1 at http://localhost:8000/ (Press CTRL+C to quit)

Regardez le graphique

Quand j'ai entré «http: // localhost: 8000 /» plus tôt dans le navigateur, je pouvais voir le graphique, mais cette fois je ne peux pas.

Cette fois, j'ai connecté le port 8000 du serveur distant et le port 9000 du PC local, donc Si vous entrez http: // localhost: 9000 / dans le navigateur de votre PC local, vous pouvez voir le même graphique qu'auparavant.

Résumé

J'ai dessiné un graphique avec Tensorboard dans PyTorch. J'ai également présenté comment afficher le graphique du code qui a été envoyé sur le serveur distant de la destination ssh sur le PC local. J'aimerais également utiliser ce Tensorboard et ssh -L pour le Deep Learning.