想使用PyTorch Lightning來構建您的深度學習代碼，并且不介意學習它的日志記錄功能嗎?不知道閃電具有強大的海王星集成嗎？為什么選擇PyTorchLightning？如果您從未聽說過，PyTorch Lightning是PyTorch之上非常輕便的包裝器，它更像是編碼標準，而不是框架。該格式可讓您擺脫大量樣板代碼，同時使其易于遵循。結果是一個框架，為研究人員，學生和生產團隊提供了最大的靈活性，使他們可以靈活地嘗試瘋狂的想法，而無需學習另一個框架，同時自動刪除所有工程細節。

您可以立即使用的一些很棒的功能是：

· 在CPU，GPU或TPU上進行訓練而無需更改代碼，

· 簡單的多GPU和多節點訓練

· 普通的16位精度支持

· 內置性能分析器（Trainer(profile=True)）

· 以及其他眾多功能。

但是，通過這種強大的功能輕松進行實驗，以及靈活地調整所需的任何東西，都會帶來問題。如何跟蹤所有變化，例如：

· 損失和指標，

· 超參數，

· 模型二進制文件，

· 驗證預測，

　　還有其他可以幫助您組織實驗過程的東西？

幸運的是，PyTorch閃電為您提供了一個選項，可輕松將記錄儀連接到 pl.Trainer可以跟蹤前面提到的所有內容（以及許多其他內容）的受支持記錄器之一是 NeptuneLogger將您的實驗保存在……您猜中了海王星。海王星不僅跟蹤您的實驗工件，而且：

· 讓我們監視所有實時情況

· 提供了一個不錯的用戶界面，您可以在其中過濾，分組和比較各種實驗運行

· 訪問您從Python腳本或Jupyter Notebook以編程方式記錄的實驗數據。最好的部分是，這種集成確實使用起來很簡單。

　　注意：

您也可以查看此colab筆記本，并嘗試我們將要討論的示例。

　　基本整合

在最簡單的情況下，您只需創建 NeptuneLogger：

from pytorch_lightning.logging.neptune import NeptuneLogger

neptune_logger = NeptuneLogger(

api_key="ANONYMOUS",

project_name="shared/pytorch-lightning-integration")

并將其傳遞給的logger參數 Trainer并適合您的模型。

from pytorch_lightning import Trainer

trainer = Trainer(logger=neptune_logger)

trainer.fit(model)

這樣，您將獲得：

· 記錄度量和損失并創建圖表，

· 保存超參數（如果通過閃電參數定義）

· ，記錄硬件利用率

· Git信息和執行腳本已記錄

　　高級選項

海王星為您提供了許多自定義選項，您可以簡單地記錄更多特定于實驗的內容，例如圖像預測，模型權重，性能圖表等。

所有這些功能都可供Lightning用戶使用，在接下來的部分中，我將向您展示如何充分利用Neptune。

　　在創建NeptuneLogger時記錄其他信息

創建記錄器時，可以記錄其他有用的信息：

· 代碼：快照腳本，jupyter筆記本，配置文件等。

· 超參數：對數學習率，歷元數和其他事物（如果您使用的是閃電） hparams來自閃電的對象將被自動記錄。

· 屬性：日志數據位置，數據版本或其他內容。

· 標簽：添加“ resnet50”或“ no-augmentation”之類的標簽來組織跑步。

· 名稱：每個實驗都應使用一個有意義的名稱，因此我們不要每次都使用“默認”。

只需將此信息傳遞給記錄器即可：

neptune_logger = NeptuneLogger(

api_key="ANONYMOUS",

project_name="shared/pytorch-lightning-integration",

experiment_name="default", # Optional,

params={"max_epochs": 10,

"batch_size": 32}, # Optional,

tags=["pytorch-lightning", "mlp"] # Optional,

upload_source_files=["**/*.py", "*.yaml"] # Optional,

)

并像以前一樣繼續進行操作，以獲得像這樣的組織好的儀表板。

　　訓練期間記錄多余的東西

培訓期間可以記錄很多有趣的信息。

您可能對監視以下內容感興趣：

每個時期之后的模型預測（考慮預測蒙版或覆蓋的邊界框）

　　模型檢查點或其他對象

真的很簡單。只是去你的LightningModule 和海王星實驗的調用方法 self.logger.experiment。

例如，我們可以記錄每個時期之后的損失直方圖：

class CoolSystem(pl.LightningModule):

def validation_end(self, outputs):

# OPTIONAL

avg_loss = torch.stack([x['val_loss'] for x in outputs]).mean()

tensorboard_logs = {'val_loss': avg_loss}

# log debugging images like histogram of losses

fig = plt.figure()

losses = np.stack([x['val_loss'].numpy() for x in outputs])

plt.hist(losses)

self.logger.experiment.log_image('loss_histograms', fig)

plt.close(fig)

return {'avg_val_loss': avg_loss, 'log': tensorboard_logs}

您在訓練期間可能想要記錄的其他內容是：

· self.logger.experiment.log_metric#記錄自定義指標

· self.logger.experiment.log_text#記錄文本值

· self.;ogger.experiment.log_artifact# 日志文件

· self.logger.experiment.log_image#記錄圖像，圖表

· self.logger.experiment.set_property#添加鍵：值對

· self.logger.experiment.append_tag#為組織添加標簽

很酷吧？但這不是您能做的！

　　培訓結束后記錄日志

.fit循環結束后，不必完成對實驗的跟蹤。

您可能要跟蹤 trainer.test(model) 或計算一些其他驗證指標并將其記錄下來。

為此，您只需要告訴 NeptuneLogger 適合后不關閉：

neptune_logger = NeptuneLogger(

api_key="ANONYMOUS",

project_name="shared/pytorch-lightning-integration",

close_after_fit=False,

...

)

…并且您可以繼續記錄

　　測試指標：

trainer.test(model)

　　其他（外部）指標：

from sklearn.metrics import accuracy_score

...

accuracy = accuracy_score(y_true, y_pred)

neptune_logger.experiment.log_metric('test_accuracy', accuracy)

　　測試集上的性能圖表：

from scikitplot.metrics import plot_confusion_matrix

import matplotlib.pyplot as plt

...

fig, ax = plt.subplots(figsize=(16, 12))

plot_confusion_matrix(y_true, y_pred, ax=ax)

neptune_logger.experiment.log_image('confusion_matrix', fig)

　　整個模型檢查點目錄：

neptune_logger.experiment.log_artifact('my/checkpoints')

直接將實驗信息提取到筆記本中

您可以在實驗完成后獲取實驗，分析結果并根據需要更新指標，工件或其他內容。

例如，讓我們將實驗儀表板獲取到pandas DataFrame：

import neptune

project = neptune.init('shared/pytorch-lightning-integration')

project.get_leaderboard().head()

或通過海王星HiPlot集成使用HiPlot將其可視化：

from neptunecontrib.viz import make_parallel_coordinates_plot

make_parallel_coordinates_plot(

metrics= ['train_loss', 'val_loss', 'test_accuracy'],

params = ['max_epochs', 'batch_size', 'lr'])

或獲取單個實驗并使用訓練后計算出的一些外部指標對其進行更新：

exp = project.get_experiments(id='PYTOR-63')[0]

exp.log_metric('some_external_metric', 0.92)

如您所見，您可以從Pytorch Lightning登錄到Neptune。

如果您想更深入地了解這一點：

· 閱讀集成文檔

· 去看看海王星，看看它可以做的其他事情，

· 在colab上試用Lightning + Neptune

　　最終思想

Pytorch Lightning是一個很棒的庫，可以幫助您：

· 整理您的深度學習代碼，使其他人容易理解它，

· 將開發樣板外包給經驗豐富的工程師團隊，

· 無需更改代碼即可訪問許多最新功能，

借助Neptune集成，您可以免費獲得其他一些功能：

· 您可以監控并跟蹤您的深度學習實驗，

· 您可以輕松地與他人分享您的研究，

· 您和您的團隊可以訪問實驗元數據并更有效地協作。

以上即是關于使用NeptuneAI跟蹤PyTorch閃電實驗的全部內容，想了解更多關于NeptuneAI的信息，請繼續關注中培偉業。