训练过程可视

训练过程可视

概述

训练过程中的标量、图像、计算图以及模型超参等信息记录到文件中，通过可视化界面供用户查看。

操作流程

准备训练脚本，并在训练脚本中指定标量、图像、计算图、模型超参等信息记录到summary日志文件，接着运行训练脚本。
启动MindInsight，并通过启动参数指定summary日志文件目录，启动成功后，根据IP和端口访问可视化界面，默认访问地址为 http://127.0.0.1:8080。
在训练过程中，有数据写入summary日志文件时，即可在页面中查看可视的数据。

准备训练脚本

当前MindSpore利用 Callback 机制将标量、图像、计算图、模型超参等信息保存到summary日志文件中，并通过可视化界面进行展示。

其中标量、图像是通过Summary算子实现记录数据，计算图是在网络编译完成后，通过 SummaryRecord 将其保存到summary日志文件中，模型参数是通过 TrainLineage 或 EvalLineage 保存到summary日志文件中。

基础写法

步骤一：在继承 nn.Cell 的衍生类的 construct 函数中调用Summary算子来采集图像或标量数据。

比如，在定义网络时，在网络的 construct 中记录图像数据；在定义损失函数时，在损失函数的 construct中记录损失值。

如果要记录动态学习率，可以在定义优化器时，在优化器的 construct 中记录学习率。

样例代码如下：

Copyfrom mindspore import context, Tensor, nn
from mindspore.common import dtype as mstype
from mindspore.ops import operations as P
from mindspore.ops import functional as F
from mindspore.nn import Optimizer
 
class CrossEntropyLoss(nn.Cell):
    """Loss function definition."""
    def __init__(self):
        super(CrossEntropyLoss, self).__init__()
        self.cross_entropy = P.SoftmaxCrossEntropyWithLogits()
        self.mean = P.ReduceMean()
        self.one_hot = P.OneHot()
        self.on_value = Tensor(1.0, mstype.float32)
        self.off_value = Tensor(0.0, mstype.float32)
 
        # Init ScalarSummary
        self.sm_scalar = P.ScalarSummary()
 
    def construct(self, logits, label):
        label = self.one_hot(label, F.shape(logits)[1], self.on_value, self.off_value)
        loss = self.cross_entropy(logits, label)[0]
        loss = self.mean(loss, (-1,))
 
        # Record loss
        self.sm_scalar("loss", loss)
        return loss
 
class Net(nn.Cell):
    """Net definition."""
    def __init__(self):
        super(Net, self).__init__()
        ......
 
        # Init ImageSummary
        self.sm_image = P.ImageSummary()
 
    def construct(self, data):
        # Record image by Summary operator
        self.sm_image("image", data)
        ......
        return out
 
class MyOptimizer(Optimizer):
    """Optimizer definition."""
    def __init__(self, learning_rate, ......):
        ......
        # Initialize ScalarSummary
        self.sm_scalar = P.ScalarSummary()
 
    def construct(self, grads):
        ......
        # Record learning rate here
        self.sm_scalar("learning_rate", learning_rate)
        ......

步骤二：通过 Callback 的机制，添加所需的Callback实例来指定训练过程中所需要记录的数据。

SummaryStep 用于指定记录summary数据的步骤间隔，每隔指定步骤记录一次数据。
TrainLineage 用于记录模型训练相关的参数信息。
EvalLineage 用于记录模型测试相关的参数信息。

其中，记录计算图需要在调用 SummaryRecord 时，指定 network 参数，默认不记录。

样例代码如下：

Copyfrom mindinsight.lineagemgr import TrainLineage, EvalLineage
from mindspore import Model, nn, context
from mindspore.train.callback import SummaryStep
from mindspore.train.summary.summary_record import SummaryRecord
 
def test_summary():
    # Init context env
    context.set_context(mode=context.GRAPH_MODE, device_target='Ascend')
    # Init hyperparameter
    epoch = 2
    # Init network and Model
    net = Net()
    loss_fn = CrossEntropyLoss()
    optim = MyOptimizer(learning_rate=0.01)
    model = Model(net, loss_fn=loss_fn, optimizer=optim, metrics=None)
 
    # Init SummaryRecord and specify a folder for storing summary log files
    # and specify the graph that needs to be recorded
    summary_writer = SummaryRecord(log_dir='./summary', network=net)
    summary_callback = SummaryStep(summary_writer, flush_step=10)
 
    # Init TrainLineage to record the training information
    train_callback = TrainLineage(summary_writer)
 
    # Prepare mindrecord_dataset for training
    train_ds = create_mindrecord_dataset_for_training()
    model.train(epoch, train_ds, callbacks=[summary_callback, train_callback])
 
    # Init EvalLineage to record the evaluation information
    eval_callback = EvalLineage(summary_writer)
 
    # Prepare mindrecord_dataset for testing
    eval_ds = create_mindrecord_dataset_for_testing()
    model.eval(eval_ds, callbacks=[eval_callback])
 
    # Close summary
    summary_writer.close()

记录算子融合后的计算图

参照“基础写法”完成脚本后，可以通过context的save_graphs选项配置记录算子融合后的计算图。其中ms_output_after_hwopt.pb为算子融合后的计算图。

MindInsight相关命令

查看命令帮助信息

Copymindinsight --help

查看版本信息

Copymindinsight --version

启动服务

Copymindinsight start [-h] [--config <CONFIG>] [--workspace <WORKSPACE>]
                  [--port <PORT>] [--reload-interval <RELOAD_INTERVAL>]
                  [--summary-base-dir <SUMMARY_BASE_DIR>]

参数含义如下:

-h, —help : 显示启动命令的帮助信息。
—config <CONFIG> : 指定配置文件或配置模块，CONFIG为物理文件路径（file:/path/to/config.py）或Python可识别的模块路径（python:path.to.config.module）。
—workspace <WORKSPACE> : 指定工作目录路径，WORKSPACE默认为 $HOME/mindinsight。
—port <PORT> : 指定Web可视化服务端口，取值范围是1~65535，PORT默认为8080。
—reload-interval <RELOAD_INTERVAL> : 指定加载数据的时间间隔（单位：秒），设置为0时表示只加载一次数据，RELOAD_INTERVAL默认为3秒。
—summary-base-dir <SUMMARY_BASE_DIR> : 指定加载训练日志数据的根目录路径，MindInsight将遍历此路径下的直属子目录，查找文件名符合正则表达式’summary.\d+’或’.pb$’的日志文件。若某个直属子目录包含日志文件，则该子目录被识别为日志文件目录，若根目录包含日志文件，则根目录被识别为日志文件目录。SUMMARY_BASE_DIR默认为当前目录路径。

服务启动时，命令行参数值将被保存为进程的环境变量，并以 MINDINSIGHT_ 开头作为标识，如 MINDINSIGHT_CONFIG，MINDINSIGHT_WORKSPACE，MINDINSIGHT_PORT 等。

停止服务

Copymindinsight stop [-h] [--port PORT]

参数含义如下:

-h, —help : 显示停止命令的帮助信息。
—port <PORT> : 指定Web可视化服务端口，取值范围是1~65535，PORT默认为8080。

查看服务进程信息

MindInsight向用户提供Web服务，可通过以下命令，查看当前运行的Web服务进程。

Copyps -ef | grep mindinsight

根据服务进程PID，可通过以下命令，查看当前服务进程对应的工作目录WORKSPACE。

Copylsof -p <PID> | grep access

输出如下，可查看WORKSPACE。

Copygunicorn  <PID>  <USER>  <FD>  <TYPE>  <DEVICE>  <SIZE/OFF>  <NODE>  <WORKSPACE>/log/gunicorn/access.log

可视化组件

计算图可视化

计算图可视化用于展示计算图的图结构，数据流以及控制流的走向。

图1：计算图展示区

图1展示了计算图的网络结构。如图中所展示的，在展示区右边的区域中，选中其中一个算子（图中圈红算子），可以看到该算子有两个输入和三个输出（实线代表算子的数据流走向）。

图2：计算图功能区

图2展示了计算图可视化的功能区，包含以下内容：

文件选择框: 可以选择查看不同文件的计算图。
搜索框：可以对节点进行搜索，输入节点名称点击回车，即可展示该节点。
缩略图：展示整个网络图结构的缩略图，在查看超大图结构时，方便查看当前浏览的区域。
节点信息：展示选中的节点的基本信息，包括节点的名称、属性、输入节点、输出节点等信息。
图例：展示的是计算图中各个图标的含义。

标量可视化

标量可视化用于展示训练过程中，标量的变化趋势情况。

图3：标量趋势图

图3展示了神经网络在训练过程中损失值的变化过程。横坐标是训练步骤，纵坐标是损失值。

图中右上角有几个按钮功能，从左到右功能分别是全屏展示，切换Y轴比例，开启/关闭框选，分步回退和还原图形。

全屏展示即全屏展示该标量曲线，再点击一次即可恢复。
切换Y轴比例是指可以将Y轴坐标进行对数转换。
开启/关闭框选是指可以框选图中部分区域，并放大查看该区域，可以在已放大的图形上叠加框选。
分步回退是指对同一个区域连续框选并放大查看时，可以逐步撤销操作。
还原图形是指进行了多次框选后，点击此按钮可以将图还原回原始状态。

图4：标量可视化功能区

图4展示的标量可视化的功能区，提供了根据选择不同标签，水平轴的不同维度和平滑度来查看标量信息的功能。

标签：提供了对所有标签进行多项选择的功能，用户可以通过勾选所需的标签，查看对应的标量信息。
水平轴：可以选择“步骤”、“相对时间”、“绝对时间”中的任意一项，来作为标量曲线的水平轴。
平滑度：可以通过调整平滑度，对标量曲线进行平滑处理。
标量合成：可以选中两条标量曲线进行合成并展示在一个图中，以方便对两条曲线进行对比或者查看合成后的图。

图5：Accuracy和Loss的标量合成图

图5展示Accuracy曲线和Loss曲线的标量合成图。标量合成的功能区与标量可视化的功能区相似。其中与标量可视化功能区不一样的地方，在于标签选择时，标量合成功能最多只能同时选择两个标签，将其曲线合成并展示。

图像可视化

图像可视化用于展示用户所指定的图片。

图6：图像可视化

图6展示通过滑动图中“步骤”滑条，查看不同步骤的图片。

图7：图像可视化功能区

图7展示图像可视化的功能区，提供了选择查看不同标签，不同亮度和不同对比度来查看图片信息。

标签：提供了对所有标签进行多项选择的功能，用户可以通过勾选所需的标签，查看对应的图片信息。
亮度调整：可以调整所展示的所有图片亮度。
对比度调整：可以调整所展示的所有图片对比度。

模型溯源可视化

模型溯源可视化用于展示所有训练的模型参数信息。

图8：模型参数选择区

图8展示的模型参数选择区，列举了可供查看的模型参数标签。用户可以通过勾选所需的标签，查看相应的模型参数。

图9：模型溯源功能区

图9展示的模型溯源功能区，图像化展示了模型的参数信息。用户可以通过选择列的特定区域，展示区域范围内的模型信息。

图10：模型列表

图10展示所有模型信息，用户可以按指定列进行升序或降序展示模型信息。

数据图可视化

数据图可视化用于展示单次模型训练的数据处理和数据增强信息。

图11：数据图功能区

图11展示的数据图功能区包含以下内容：

图例：展示数据溯源图中各个图标的含义。
数据处理流水线：展示训练所使用的数据处理流水线，可以选择图中的单个节点查看详细信息。
节点信息：展示选中的节点的基本信息，包括使用的数据处理和增强算子的名称、参数等。

数据溯源可视化

数据溯源可视化用于展示所有训练的数据处理和数据增强信息。

图12：数据处理和增强算子选择区

图12展示的数据处理和数据增强算子选择区，列举了可供查看的数据处理和增强算子的名称。用户可以通过勾选所需的标签，查看相应的参数等信息。

图13：数据溯源功能区

图13展示的数据溯源功能区，图像化展示了数据处理和数据增强使用的参数信息。用户可以通过选择列的特定区域，展示区域范围内的参数信息。

图14：数据溯源列表

图14展示所有模型训练的数据处理和数据增强信息。