【快速入门】SwanLab-开源AI训练可视化工具-慈云数据

什么是SwanLab

SwanLab是一款完全开源免费的机器学习日志跟踪与实验管理工具，为人工智能研究者打造。有以下特点：

基于一个名为swanlab的python库
可以帮助您在机器学习实验中记录超参数、训练日志和可视化结果
能够自动记录logging、系统硬件、环境配置（如用了什么型号的显卡、Python版本是多少等等）
可以完全离线运行，在完全内网环境下也可使用

使用SwanLab辅助模拟训练实验的结果图速览：

Charts：记录loss和accuracy

Logs：记录终端中打印的日志

Environment Card：实验相关信息概览

Environment：实验、系统硬件和环境配置信息

快速入门

安装swanlab并快速开始跟踪简单的机器学习实验。

安装SwanLab

在 Python 3.8+ 环境中的计算机上使用 pip 安装 swanlab 库。

pip install -U swanlab

P.S. 此教程主要基于swanlab>=0.1.5，如果低于此版本，请做一下升级，升级命令同上。

启动运行并跟踪超参数

在 swanlab.init 中初始化SwanLab，在 swanlab.log 中以字典形式传入需要跟踪记录的指标项：

import swanlab
swanlab.init(
    config={"learning_rate": 0.01},
    logdir="./logs"
    )
for epoch in range(1, 10):
    swanlab.log({"epoch": epoch})

config 参数：要记录的实验配置信息。比如上面的代码表示SwanLab记录了配置项learning_rate，它的值为0.01。
logdir 参数：实验数据即将存储的路径。SwanLab会在运行时将实验数据存放在logdir中，这些数据将成为实验看板的数据源。上面的代码表示实验数据存储的位置是当前目录下的logs文件夹。
swanlab.log ：跟踪需要记录的指标，需要以字典的形式传入，实验看板将根据传入的内容，绘制相应的图表。上面的代码表示SwanLog记录了名为epoch的指标项，值为1～9。

运行代码，将会看到以下输出结果：
```
[SwanLab-INFO]:        Experiment exp has been registered.
[SwanLab-INFO]:        Run data will be saved locally in （eg：./logs/run-20240124_192528-34b914e0）
[SwanLab-INFO]:        Experiment_name: 
[SwanLab-INFO]:        Run `swanlab watch` to view SwanLab Experiment Dashboard
[SwanLab-INFO]:        The current experiment exp_2024-01-24_19-25-28 has been completed, SwanLab will close it automatically
```
此时在你运行代码的所在的项目目录中会出现1个logs文件夹，里面记录的是你的训练数据：

可视化查看swanlab记录的训练数据

打开终端，进入同一目录下，运行命令 swanlab watch ,开启实验看板：
```
swanlab watch --logdir ./logs
```
- --logdir 参数：实验看板的数据源的路径，于初始化SwanLab时创建。上面的命令表示以./logs文件夹为数据源开启实验看板。
  
  你会看到下面的输出结果，这代表可视化实验看板已经在后台运行：
```
[SwanLab-INFO]:        SwanLab Experiment Dashboard ready in ms
                        ➜  Local:   http://127.0.0.1:5092
```
  打开浏览器，访问http://127.0.0.1:5092：
  
  就是这样！点击进入刚刚进行的实验，可以可视化地看到我们用 SwanLab 记录的指标（loss和acc）在每个训练步骤中是如何改进的：
  可视化图表自动记录终端打印日志实验概览信息：包含实验名、描述、系统信息、超参数等实验详细信息
  Have a Try!
  
  快速上手模拟训练实验
  
  根据以上教程，你是不是也能用SwanLab实现本教程开始时展示的模拟训练实验呢？Why not have a try? Now!
  
  参考代码如下：
```
import swanlab
import time
import random
lr = 0.01
epochs = 20
offset = random.random() / 5
swanlab.init(
    # 设置实验名称
    experiment_name="sample_experiment",
    # 设置实验介绍
    description="This is a sample experiment for machine learning training.",
    # 记录跟踪的超参数和运行元数据
    config={
        "learning_rate": lr,
        "epochs": epochs,
    },
)
# 模拟机器学习训练过程
for epoch in range(2, epochs):
    acc = 1 - 2**-epoch - random.random() / epoch - offset
    loss = 2**-epoch + random.random() / epoch + offset
    print(f"epoch={epoch}, accuracy={acc}, loss={loss}")
    # 记录loss和acc
    swanlab.log({"loss": loss, "accuracy": acc})
    time.sleep(1)
```
  SwanLab助力机器学习
  
  此外，如果你想使用SwanLab跟踪记录更多更复杂的机器学习任务，比如用ResNet50模型实现猫狗分类任务，欢迎关注以下教程：
  
  PyTorch+SwanLab+Gradio+猫狗分类：从可视化训练到Demo网站https://zhuanlan.zhihu.com/p/676430630
  
  SwanLab结果图：
  
  效果很完美！
  
  至此，我们已经学完了SwanLab的基本使用方法，完成了用PyTorch、SwanLab、Gradio三个开源工具训练1个猫狗分类模型的全部过程，如果想了解更多SwanLab，可参考相关链接或评论此文章。
  
  相关文章
  - SwanLab官方文档：SwanLab简介
  - GitHub：https://github.com/SwanHubX/SwanLab
  - SwanHub：https://swanhub.co/SwanHub/SwanLab
  - SwanLab教程（后续更新欢迎关注）：
    - 如何远程访问SwanLab实验看板 - 知乎
    - 如何用Argparse初始化SwanLab-CSDN博客