15.GPU加速、minist测试实战和visdom可视化

GPU加速

把所有的设备cpu、cuda0、cuda1等，挣到一个设备上。
.cuda()方法会搬到GPU上
.to（）方法返回一个新的refoungs，是否一致取决于哪种类型数据。对一个模块使用，则模块整体更新。如果对一个tensor使用，结果不一样。data2=data.cuda()，此时data2和data不一样，会产生两个tensor，一个在cpu上一个在gpu上。

import  torch
import  torch.nn as nn
import  torch.nn.functional as F
import  torch.optim as optim
from    torchvision import datasets, transforms


batch_size=200
learning_rate=0.01
epochs=10

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('mnist_data/', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('mnist_data/', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=batch_size, shuffle=True)






class MLP(nn.Module):

    def __init__(self):
        super(MLP, self).__init__()

        self.model = nn.Sequential(
            nn.Linear(784, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 10),
            nn.LeakyReLU(inplace=True),
        )

    def forward(self, x):
        x = self.model(x)

        return x

device = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
criteon = nn.CrossEntropyLoss().to(device)

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):
        data = data.view(-1, 28*28)
        data, target = data.to(device), target.cuda()

        logits = net(data)
        loss = criteon(logits, target)

        optimizer.zero_grad()
        loss.backward()
        # print(w1.grad.norm(), w2.grad.norm())
        optimizer.step()

        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))


    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data = data.view(-1, 28 * 28)
        data, target = data.to(device), target.cuda()
        logits = net(data)
        test_loss += criteon(logits, target).item()

        pred = logits.data.max(1)[1]
        correct += pred.eq(target.data).sum()

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

net=MLP().to(device)，CrossEntropyLoss()，data,target=data.to(device),target.cuda()，使用.to()方法把网路搬到GPU上。

minist测试实战

不断train时，它可能会记住样本，此时效果会很好，但是一换其他样本就效果不佳。
对于每一张图片，对其可能是几的概率做softmax，并且做argmax（返回最大值所在索引），返回值即表明他是几。

logits=torch.rand(4,10)
pred=F.softmax(logits,dim=1)
print('pred shape:',pred.shape)

pred_lable=pred.argmax(dim=1)
print('pred_lable:',pred_lable)

print('logits.argmax:',logits.argmax(dim=1))

label=torch.tensor([9,3,2,4])
correct=torch.eq(pred_lable,label)
print('correct',correct)
accuracy=correct.sum().float().item()/4
print(accuracy)

我们得出[5,3,2,1]，假设真实是[9,3,2,4]，我们需要计算accuracy=2/4=50%。
计算正确的数量，使用eq()函数，如果元素相等返回1。
correct类型是unit8，我们需要使它变成float类型。

when to test

几个batch一个test
每个epoch一个test

vidsom可视化

visdom效率比tensorboard更高一点，因为后者会把数据写到文件中，导致监听文件占据大量空间。
visdom可以直接使用tensor。

使用visdom

1.install

首先进入anaconda prompt，在我们特定环境中输入pip install visdom

2.run server damon

开启监听进程，输入python -m visdom.server
visdom实际上是一个web服务器，开启后，程序向该服务器发送数据，服务器就会把数据渲染到网页上。运行前需要先开启该web服务器。

遇到问题

1. pip unstall visdom
2. 从官方网页上下载最新的代码，进入下载好的文件内，pip install -e .
3. 退回去，开启监听进程
4. 复制地址，打开浏览器

功能

lines：single trace

画一个曲线
首先创建一条直线，有x，y，且赋初始值，win可以理解为id，大窗口是一个environment。把窗口名字命名为train_loss，且只有一个点（0，0）

from visdom import Visdom
viz=Visdom()
viz.line([0.],[0.],win='train_loss',opts=dict(title='train loss'))
viz.line([loss.item()],[global_step],win='train_loss',update='append')

global_step是x作表，image可以直接接受tensor，对于直线类型，接受的是numpy数据，指定为append，添加到当前直线后面，如果不指定，会全部覆盖掉。

lines：single trace

多条曲线
两条直线，我们需要两个y。

from visdom import Visdom
viz=Visdom()
viz.line([[0.0,0.0]],[0.],win='test',opts=dict(title='test loss & acc',legend=['loss','acc']))
viz.line([[test_loss,correct/len(test_loader.dataset)]],
             [global_step],win='test',update='append')

完整代码

import  torch
import  torch.nn as nn
import  torch.nn.functional as F
import  torch.optim as optim
from    torchvision import datasets, transforms
from visdom import Visdom


batch_size=200
learning_rate=0.01
epochs=10

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('mnist_data/', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       # transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('mnist_data/', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        # transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=batch_size, shuffle=True)



class MLP(nn.Module):

    def __init__(self):
        super(MLP, self).__init__()

        self.model = nn.Sequential(
            nn.Linear(784, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 10),
            nn.LeakyReLU(inplace=True),
        )

    def forward(self, x):
        x = self.model(x)

        return x

device = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
criteon = nn.CrossEntropyLoss().to(device)

viz=Visdom()
viz.line([0.],[0.],win='train_loss',opts=dict(title='train loss'))
viz.line([[0.0,0.0]],[0.],win='test',opts=dict(title='test loss & acc',legend=['loss','acc']))

global_step=0

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):
        data = data.view(-1, 28*28)
        data, target = data.to(device), target.cuda()

        logits = net(data)
        loss = criteon(logits, target)

        optimizer.zero_grad()
        loss.backward()
        # print(w1.grad.norm(), w2.grad.norm())
        optimizer.step()

        global_step+=1
        viz.line([loss.item()],[global_step],win='train_loss',update='append')

        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))


    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data = data.view(-1, 28 * 28)
        data, target = data.to(device), target.cuda()
        logits = net(data)
        test_loss += criteon(logits, target).item()

        pred = logits.argmax(dim=1)
        correct += pred.eq(target).sum().float().item()

    viz.line([[test_loss,correct/len(test_loader.dataset)]],
             [global_step],win='test',update='append')
    viz.images(data.view(-1, 1, 28, 28), win='x')
    viz.text(str(pred.detach().cpu().numpy()),win='pred',
             opts=dict(title='pred'))

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))