代码收藏家技术教程 2022-11-23

wandb快速入门使用教程

深度学习：使用wandb记录训练日志

本文旨在简单介绍wandb在卷积神经网络训练过程中的一些基础设置，可以快速入门并使用wandb记录自己的训练日志，方便后续的实验复现。如果有什么问题欢迎在评论区讨论。

文章目录

6、如果碰到模型运行完仍然没有final,且点击stop一直无法stop,可以运行下列程序：

7、使用wandb可以导出对应的run信息

8、在命令行执行下列语句可以将未同步的程数据同步到云端

7、更多用法有待探索

一、登陆注册wandb

登录注册账号：https://wandb.ai/
登陆注册账号后创建一个project，会得到一个账号相关联的key
可以认为该key是一个身份码，与自己注册的账号绑定
（学习教程：https://docs.wandb.ai/quickstart）

二、下载并登录wandb

#在命令行对应环境中执行
pip install wandb

#运行下面代码后会要求输入key，即输入步骤一的key
wandb login
#如果想要换账号：
#wandb login --relogin

运行wandb login --relogin代码会出现：

wandb: You can find your API key in your browser here: https://wandb.ai/authorize
[34m[1mwandb[0m: Paste an API key from your profile and hit enter, or press ctrl+c to quit:

此时随意输入40位数字即可覆盖之前的账号信息，以保证在其他电脑上使用时实验数据的安全。或者换一个账号的key进行登录

三、启用wandb中的云端run

import os
os.environ['WANDB_MODE'] = 'offline'

调用上面语句可以在调试的时候不传数据去云端，但是运行日志会保留在本地？
此功能一般在调试bug的时候不想在云端保存训练数据时使用。

四、wandb使用

1、导入wandb并初始化

import wandb
wandb.init(project="test", entity="shuttle",name="test1")

其中的test对应wandb云端的project,entity对应的云端账号，name=tets1 对应的云端的运行run。

2、记录超参数

记录超参数一般在网络训练之前，大多数人的用法是直接记录argparse中的所有参数，见方式③
① 方式1

wandb.config = {
  "learning_rate": 0.001,
  "epochs": 100,
  "batch_size": 128
}
wandb.config.update()

② 方式2

#记录训练的超参数
config = wandb.config
config = {
    "learning_rate": opt.lr,
    "epochs": opt.epoch,
    "batch_size": opt.batch_size
}
#name为运行的空间名称，可以有同名
wandb.init(project="study",entity="shuttle",name="train_face",config=config)

后续添加超参数可以使用如下语句：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
wandb.config.update({"device" : device , "model" : "Vgg16"})

③ 方式3

# CASIA_options()为项目执行参数表
options = CASIA_options()
opt = options.parse()

wandb.config.update(opt)

使用这种方法，要在前面将config放进init函数里面，即：
wandb.init(project="study",entity="shuttle",name="train_face",config=config)
④ 更多方法详情参考网址：https://docs.wandb.ai/guides/track/config

3、记录训练日志(图片+文字)

在正常打印日志的地方添加下列语句：

 if(step%100 == 0):
 	print("step:{} all_step:{} loss:{}".format(step,int(train_size/4),loss))
    wandb.log({"loss": loss,
               "epoch":epoch})

wandb.log输入的是字典类型
这里如果需要保存图片可以使用下列方法：

Img = wandb.Image(image, caption="epoch:{}".format(epoch) + string)
wandb.log({"epoch "+str(epoch): Img})

这里的image为需要输入到wandb的图片，epoch为训练的epoch数，string为自定义图片的名称。
下面字典的键值对中键表示的是wandb显示图片上面的标题，值就是图片。

4、保存模型、关闭wandb

在所有epoch运行完之后，添加下列语句即可保存模型并关闭wandb：

wandb.save('model.h5')
wandb.finish()

5、训练过程中获得权重直方图

在获得模型后面加就可以了

Vgg_model = model.vgg16(pretrained=True,progress=True)
#获得训练过程中权值梯度的直方图
wandb.watch(Vgg_model)

6、如果碰到模型运行完仍然没有final,且点击stop一直无法stop,可以运行下列程序：

随便在一个有wandb并login的主机新建py文件，运行，其中，project、entity、id需与项目保持一致。

import wandb

wandb.init(project="Net", entity="shuttle", id="fgor***z")
wandb.finish()

7、使用wandb可以导出对应的run信息

import wandb
api = wandb.Api()

run = api.run("shuttle/Net/fgor***z")
if run.state == "finished":
    for i, row in run.history().iterrows()
        print(row["_timestamp"], row["accuracy"])

使用wandb可以导出对应的run信息

8、在命令行执行下列语句可以将未同步的程数据同步到云端

wandb sync "wandb/run-20220428_220148-1yeps3ra/"

注意：这里得"wandb/run-20220428_220148-1yeps3ra/"地址需要修改为你电脑里的相对应的地址。"1yeps3ra"表示的是项目id地址。
这里主要是因为使用wandb训练时经常是出现网络中断而导致本地日志没有全部上传云端，所以在云端只有部分数据，可以使用这条命令进行同步，将云端数据补全。