fix code in mindinsight_model_lineage_and_data_lineage.ipynb

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\")"
    ]
   },
   {