예측 시각화하기
이 문서에서는 PyTorch를 사용하여 MNIST 데이터로 모델 트레이닝 중 예측값을 추적, 시각화 및 비교하는 방법을 다룹니다.
다음을 배울 수 있습니다:
- 모델 트레이닝 또는 평가 중
wandb.Table()에 메트릭, 이미지, 텍스트 등을 로그하기 - 이러한 테이블을 보고, 정렬하고, 필터링하고, 그룹화하고, 합치고, 대화식으로 쿼리하고 탐색하기
- 특정 이미지, 하이퍼파라미터/모델 버전 또는 시간 단계에서 동적으로 모델 예측값 또는 결과 비교하기
예시
특정 이미지에 대한 예측 점수 비교하기
실시간 예시: 트레이닝 1 에포크 대 5 에포크 후의 예측 비교 →
히스토그램은 두 모델 간의 클래스별 점수를 비교합니다. 각 히스토그램에서 상단의 초록색 막대는 모델 "CNN-2, 1 에포크"(id 0)를 나타내며, 1 에포크만 트레이닝되었습니다. 하단의 보라색 막대는 모델 "CNN-2, 5 에포크"(id 1)를 나타내며, 5 에포크 동안 트레이닝되었습니다. 이미지는 모델이 동의하지 않는 경우에 필터링됩니다. 예를 들어, 첫 번째 행에서 "4"는 1 에포크 후 모든 가능한 숫자에 대해 높은 점수를 받지만, 5 에포크 후에는 올바른 라벨에 가장 높은 점수를 받고 나머지에는 매우 낮은 점수를 받습니다.시간에 따른 주요 오류에 집중하기
전체 테스트 데이터에서 잘못된 예측("추측" != "진실")을 보고, 행을 필터링합니다. 1 에포크 트레이닝 후에 229개의 잘못된 추측이 있지만, 5 에포크 후에는 오직 98개입니다.
모델 성능 비교 및 패턴 찾기
정답을 필터링한 후, 추측별로 그룹화하여 두 모델 옆으로 오분류된 이미지 예시와 진짜 라벨의 기본 분포를 봅니다. 레이어 크기와 학습률이 2배인 모델 변형이 왼쪽에 있고, 베이스라인은 오른쪽에 있습니다. 베이스라인이 각 추측된 클래스에 대해 약간 더 많은 실수를 한다는 것을 알 수 있습니다.
가입 또는 로그인
W&B에 가입하거나 로그인하여 브라우저에서 실험을 보고 상호 작용하세요.
이 예시에서는 편리한 호스팅 환경으로 Google Colab를 사용하고 있지만, 어디서든 자신만의 트레이닝 스크립트를 실행하고 W&B의 실험 추적 툴로 메트릭을 시각화할 수 있습니다.
!pip install wandb -qqq
계정에 로그인
import wandb
wandb.login()
WANDB_PROJECT = "mnist-viz"
0. 준비
의존성을 설치하고, MNIST를 다운로드하고, PyTorch를 사용하여 트레인 및 테스트 데이터셋을 생성합니다.
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as T
import torch.nn.functional as F
device = "cuda:0" if torch.cuda.is_available() else "cpu"
# 트레인 및 테스트 데이터로더 생성
def get_dataloader(is_train, batch_size, slice=5):
"트레이닝 데이터로더 얻기"
ds = torchvision.datasets.MNIST(root=".", train=is_train, transform=T.ToTensor(), download=True)
loader = torch.utils.data.DataLoader(dataset=ds,
batch_size=batch_size,
shuffle=True if is_train else False,
pin_memory=True, num_workers=2)
return loader
1. 모델 및 트레이닝 일정 정의하기
- 실행할 에포크 수를 설정하고, 각 에포크는 트레이닝 단계와 검증(테스트) 단계로 구성됩니다. 선택적으로 테스트 단계 당 로그하는 데이터 양을 구성할 수 있습니다. 여기에서는 데모를 단순화하기 위해 배치 수와 배치 당 이미지 수가 낮게 설정되어 있습니다.
- 간단한 컨볼루션 신경망 정의하기(pytorch-tutorial 코드를 따름).
- PyTorch를 사용하여 트레인 및 테스트 세트 로드하기
# 실행할 에포크 수
# 각 에포크는 트레이닝 단계와 테스트 단계를 포함하므로, 이는
# 테스트 예측을 로그할 테이블 수를 설정합니다
EPOCHS = 1
# 각 테스트 단계에 대해 로그할 테스트 데이터의 배치 수
# (데모를 단순화하기 위해 기본값이 낮게 설정됨)
NUM_BATCHES_TO_LOG = 10 #79
# 테스트 배치 당 로그할 이미지 수
# (데모를 단순화하기 위해 기본값이 낮게 설정됨)
NUM_IMAGES_PER_BATCH = 32 #128
# 트레이닝 설정 및 하이퍼파라미터
NUM_CLASSES = 10
BATCH_SIZE = 32
LEARNING_RATE = 0.001
L1_SIZE = 32
L2_SIZE = 64
# 이를 변경하면 인접한 레이어의 형태를 변경해야 할 수 있습니다
CONV_KERNEL_SIZE = 5
# 두 레이어 컨볼루션 신경망 정의하기
class ConvNet(nn.Module):
def __init__(self, num_classes=10):
super(ConvNet, self).__init__()
self.layer1 = nn.Sequential(
nn.Conv2d(1, L1_SIZE, CONV_KERNEL_SIZE, stride=1, padding=2),
nn.BatchNorm2d(L1_SIZE),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2))
self.layer2 = nn.Sequential(
nn.Conv2d(L1_SIZE, L2_SIZE, CONV_KERNEL_SIZE, stride=1, padding=2),
nn.BatchNorm2d(L2_SIZE),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2))
self.fc = nn.Linear(7*7*L2_SIZE, NUM_CLASSES)
self.softmax = nn.Softmax(NUM_CLASSES)
def forward(self, x):
# 주어진 레이어의 형태를 보고 싶다면 주석을 해제하세요:
#print("x: ", x.size())
out = self.layer1(x)
out = self.layer2(out)
out = out.reshape(out.size(0), -1)
out = self.fc(out)
return out
train_loader = get_dataloader(is_train=True, batch_size=BATCH_SIZE)
test_loader = get_dataloader(is_train=False, batch_size=2*BATCH_SIZE)
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
2. 트레이닝 실행 및 테스트 예측 로그하기
매 에포크마다, 트레이닝 단계와 테스트 단계를 실행합니다. 각 테스트 단계에 대해, 테스트 예측을 저장할 wandb.Table()을 생성합니다. 이들은 브라우저에서 시각화되고, 동적으로 쿼리되며, 나란히 비교될 수 있습니다.
# ✨ W&B: 이 모델의 트레이닝을 추적하기 위해 새로운 run 초기화하기
wandb.init(project="table-quickstart")
# ✨ W&B: config를 사용하여 하이퍼파라미터 로그하기
cfg = wandb.config
cfg.update({"epochs" : EPOCHS, "batch_size": BATCH_SIZE, "lr" : LEARNING_RATE,
"l1_size" : L1_SIZE, "l2_size": L2_SIZE,
"conv_kernel" : CONV_KERNEL_SIZE,
"img_count" : min(10000, NUM_IMAGES_PER_BATCH*NUM_BATCHES_TO_LOG)})
# 모델, 손실, 옵티마이저 정의하기
model = ConvNet(NUM_CLASSES).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=LEARNING_RATE)
# 테스트 이미지 배치에 대한 예측을 로그하기 위한 편리한 함수
def log_test_predictions(images, labels, outputs, predicted, test_table, log_counter):
# 모든 클래스에 대한 신뢰도 점수 얻기
scores = F.softmax(outputs.data, dim=1)
log_scores = scores.cpu().numpy()
log_images = images.cpu().numpy()
log_labels = labels.cpu().numpy()
log_preds = predicted.cpu().numpy()
# 이미지 순서에 따라 id 추가하기
_id = 0
for i, l, p, s in zip(log_images, log_labels, log_preds, log_scores):
# 데이터 테이블에 필요한 정보 추가하기:
# id, 이미지 픽셀, 모델의 추측, 진짜 라벨, 모든 클래스에 대한 점수
img_id = str(_id) + "_" + str(log_counter)
test_table.add_data(img_id, wandb.Image(i), p, l, *s)
_id += 1
if _id == NUM_IMAGES_PER_BATCH:
break
# 모델 트레이닝하기
total_step = len(train_loader)
for epoch in range(EPOCHS):
# 트레이닝 단계
for i, (images, labels) in enumerate(train_loader):
images = images.to(device)
labels = labels.to(device)
# forward 패스
outputs = model(images)
loss = criterion(outputs, labels)
# 역전파 및 최적화
optimizer.zero_grad()
loss.backward()
optimizer.step()
# ✨ W&B: 트레이닝 단계에서 손실을 로그하기, UI에서 실시간으로 시각화됨
wandb.log({"loss" : loss})
if (i+1) % 100 == 0:
print ('에포크 [{}/{}], 스텝 [{}/{}], 손실: {:.4f}'
.format(epoch+1, EPOCHS, i+1, total_step, loss.item()))
# ✨ W&B: 각 테스트 단계에 대한 예측을 저장할 테이블 생성하기
columns=["id", "image", "guess", "truth"]
for digit in range(10):
columns.append("score_" + str(digit))
test_table = wandb.Table(columns=columns)
# 모델 테스트하기
model.eval()
log_counter = 0
with torch.no_grad():
correct = 0
total = 0
for images, labels in test_loader:
images = images.to(device)
labels = labels.to(device)
outputs = model(images)
_, predicted = torch.max(outputs.data, 1)
if log_counter < NUM_BATCHES_TO_LOG:
log_test_predictions(images, labels, outputs, predicted, test_table, log_counter)
log_counter += 1
total += labels.size(0)
correct += (predicted == labels).sum().item()
acc = 100 * correct / total
# ✨ W&B: 트레이닝 에포크에 걸쳐 정확도를 로그하여 UI에서 시각화하기
wandb.log({"epoch" : epoch, "acc" : acc})
print('10000 테스트 이미지에 대한 모델의 테스트 정확도: {} %'.format(acc))
# ✨ W&B: 예측 테이블을 wandb에 로그하기
wandb.log({"test_predictions" : test_table})
# ✨ W&B: (다중 셀 노트북에 유용함) 실행을 완료로 표시하기
wandb.finish()
다음은 무엇인가요?
다음 튜토리얼에서는 W&B Sweeps를 사용하여 하이퍼파라미터를 최적화하는 방법을 배웁니다: