diff --git a/tutorials/notebook/mindinsight/mindinsight_model_lineage_and_data_lineage.ipynb b/tutorials/notebook/mindinsight/mindinsight_model_lineage_and_data_lineage.ipynb index 33853c90f0209e412095880ed4c3c07116e0156a..663883c8def9b314ae297200ddd45278f987a4cb 100644 --- a/tutorials/notebook/mindinsight/mindinsight_model_lineage_and_data_lineage.ipynb +++ b/tutorials/notebook/mindinsight/mindinsight_model_lineage_and_data_lineage.ipynb @@ -19,7 +19,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "下面按照MindSpore的训练数据模型的正常步骤进行，当使用到MindInsight或者`SummaryCollector`算子进行数据保存操作时，会增加相应的说明，本次体验的整体流程如下：" + "下面按照MindSpore的训练数据模型的正常步骤进行，当使用`SummaryCollector`进行数据保存操作时，会增加相应的说明，本次体验的整体流程如下：" ] }, { @@ -28,15 +28,15 @@ "source": [ "1. 数据集的准备，这里使用的是MNIST数据集。\n", "\n", - "2. 构建一个网络，这里使用LeNet网络。(此处将使用第二种记录方式`ImageSummary`)。\n", + "2. 构建一个网络，这里使用LeNet网络。\n", "\n", - "3. 训练网络和测试网络的搭建及运行。（此处将操作`SummaryCollector`初始化，并记录模型训练和模型测试相关信息）。\n", + "3. 搭建及运行训练网络和测试网络。\n", "\n", "4. 启动MindInsight服务。\n", "\n", - "5. 模型溯源的使用。调整模型参数多次存储数据，并使用MindInsight的模型溯源功能对不同优化参数下训练产生的模型作对比，了解MindSpore中的各类优化对训练过程的影响及如何调优训练过程。\n", + "5. 模型溯源的使用。调整模型参数多次训练并存储数据，并使用MindInsight的模型溯源功能对不同优化参数下训练产生的模型作对比，了解MindSpore中的各类优化对训练过程的影响及如何调优训练过程。\n", "\n", - "6. 数据溯源的使用。调整数据参数多次存储数据，并使用MindInsight的数据溯源功能对不同数据集下训练产生的模型进行对比分析，了解如何调优。" + "6. 数据溯源的使用。调整数据参数多次训练并存储数据，并使用MindInsight的数据溯源功能对不同数据集下训练产生的模型进行对比分析，了解如何调优。" ] }, { @@ -215,7 +215,9 @@ "\n", " # according to the parameters, generate the corresponding data enhancement method\n", " resize_op = CV.Resize((resize_height, resize_width), interpolation=Inter.LINEAR)\n", + " # if you need to use SummaryCollector to extract image data, do not use the following normalize operator operation\n", " rescale_nml_op = CV.Rescale(rescale_nml, shift_nml)\n", + " \n", " rescale_op = CV.Rescale(rescale, shift)\n", " hwc2chw_op = CV.HWC2CHW()\n", " type_cast_op = C.TypeCast(mstype.int32)\n", @@ -328,7 +330,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "### 使用SummaryCollector放入到训练网络中记录训练数据" + "### 使用SummaryCollector记录训练数据" ] }, { @@ -360,7 +362,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "### 使用SummaryCollector放入到测试网络中记录测试数据" + "### 使用SummaryCollector记录测试数据" ] }, { @@ -412,7 +414,6 @@ "outputs": [], "source": [ "from mindspore.train.callback import SummaryCollector\n", - "from mindspore.train.summary.summary_record import SummaryRecord\n", "from mindspore.nn.metrics import Accuracy\n", "from mindspore import context\n", "from mindspore.nn.loss import SoftmaxCrossEntropyWithLogits\n", @@ -462,8 +463,7 @@ "- 启动MindInsight服务\n", "\n", " 在安装过MindInsight的环境中启动MindInsight服务：\n", - " - `--summary-base-dir`：MindInsight指定启动工作路径的命令。\n", - " - `./summary_base`：SummaryRecord保存文件夹的目录。\n", + " - `--summary-base-dir`：MindInsight指定启动工作路径的命令；`./summary_base`表示SummaryRecord保存文件夹的目录。\n", " - `--port`：MindInsight指定启动的端口，数值可以任意为1~65535的范围内。" ] }, @@ -474,14 +474,14 @@ "outputs": [], "source": [ "import os\n", - "os.system(\"mindinsight start --summary-base-dir=./summary_base --port=8090\")" + "os.system(\"mindinsight start --summary-base-dir=./summary_base --port=8080\")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ - "查询是否启动成功，在网址输入：`127.0.0.1:8090`，如果看到如下界面说明启动成功。" + "查询是否启动成功，在网址输入：`127.0.0.1:8080`，如果看到如下界面说明启动成功。" ] }, { @@ -497,9 +497,9 @@ "source": [ "- 关闭MindInsight服务\n", "\n", - " 在安装过MindInsight的环境中输入命令：`mindinsight stop --port=8090`\n", + " 在安装过MindInsight的环境中输入命令：`mindinsight stop --port=8080`\n", " - `mindinsight stop`：MindInsight关闭服务命令。\n", - " - `--port=8090`：即MindInsight服务开启在`8090`端口，所以这里写成`--port=8090`。" + " - `--port=8080`：即MindInsight服务开启在`8080`端口，所以这里写成`--port=8080`。" ] }, { @@ -520,7 +520,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "浏览器中输入:`127.0.0.1:8090`，点击模型溯源，如下模型溯源界面：" + "浏览器中输入:`127.0.0.1:8080`，点击模型溯源，如下模型溯源界面：" ] }, { @@ -541,19 +541,19 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "- `summary路径`：表示存储记录数据的文件夹路径，即`summary_dir`。\n", + "- 训练日志路径：表示存储记录数据的文件夹路径，即`summary_dir`。\n", "- `Accuracy`：模型的精度值。\n", "- `loss`：模型的loss值。\n", - "- 网络：表示神经网络名称（用户可自行命名）。\n", + "- 网络：表示神经网络名称。\n", "- 优化器：表示训练过程中采用的优化器。\n", "- 训练样本数量：训练样本数量。\n", "- 测试样本数量：测试样本数量。\n", "- 学习率：learning_rate的值。\n", - "- `epoch`：训练圈数。\n", - "- `steps`：训练步数。\n", + "- `epoch`：训练整个数据集的次数。\n", + "- `steps`：训练迭代数。\n", "- device数目：启用的训练卡数目。\n", "- 模型大小：生成的模型文件`.ckpt`的大小。\n", - "- 损失函数：表示训练过程中采用的损失函数（用户可自行命名）。" + "- 损失函数：表示训练过程中采用的损失函数。" ] }, { @@ -589,7 +589,7 @@ "metadata": {}, "source": [ "在这几次训练的参数中，优化器，epoch和学习率都不一致，可以看到不同的训练生成的模型精度`Accuracy`和loss值是不一致的，当然最好是调整单个参数来观察对模型生成的影响，避免多重因素干扰，难以分辨哪个参数是正影响，哪个参数是负影响。这需要我们调整不同的参数，多训练几遍生成模型，分析各参数对训练产生的影响，这对前期学习AI训练时很有帮助。在以后应对复杂训练时，可以节省不少时间。\n", - "> 在多次训练时，需要将`summary_dir`的保存路径的文件夹进行重命名操作，否则训练记录的数据会生成在同一个文件夹下，而在同一文件夹下MindInsight只会读取最后一位数字比较大的文件即最后生成的文件。" + "> 在多次训练时，需要将`summary_dir`的指定为不同的文件夹，否则训练记录的数据会生成在同一个文件夹下，而在同一文件夹下MindInsight只会读取最新生成的文件。" ] }, { @@ -610,7 +610,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "浏览器中输入：`127.0.0.1:8090`连接上MindInsight的服务，点击模型溯源，如下图数据溯源界面：" + "浏览器中输入：`127.0.0.1:8080`连接上MindInsight的服务，点击模型溯源，如下图数据溯源界面：" ] }, { @@ -631,7 +631,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "- `summary路径`：表示存储记录数据的文件夹名称，即为`SummaryRecord`的路径下的文件夹名称。\n", + "- 训练日志路径：表示存储记录数据的文件夹路径，即`summary_dir`。\n", "- `MnistDataset`：表示数据集信息，包含数据集路径。\n", "- `Map_TypeCast`：定义数据集的类型。\n", "- `Map_Resize`：图像缩放后的尺寸。\n", @@ -670,7 +670,7 @@ "outputs": [], "source": [ "import os\n", - "os.system(\"mindinsight stop --port=8090\")" + "os.system(\"mindinsight stop --port=8080\")" ] }, { @@ -702,4 +702,4 @@ }, "nbformat": 4, "nbformat_minor": 4 -} \ No newline at end of file +}