mindspore.SummaryRecord

class mindspore.SummaryRecord(log_dir, file_prefix='events', file_suffix='_MS', network=None, max_file_size=None, raise_exception=False, export_options=None)

SummaryRecord用于记录summary数据和lineage数据。

该方法将在一个指定的目录中创建summary文件和lineage文件，并将数据写入文件。

它通过执行 record 方法将数据写入文件。除了通过 summary算子 记录网络的数据外，SummaryRecord还支持通过 自定义回调函数和自定义训练循环 记录数据。

Note

• 使用SummaryRecord时，需要将代码放置到 if __name__ == “__main__” 中运行。

• 确保在最后关闭SummaryRecord，否则进程不会退出。请参阅下面的示例部分，了解如何用两种方式正确关闭SummaryRecord。

• 每次训练只允许创建一个SummaryRecord实例，否则会导致数据写入异常。

• SummaryRecord仅支持Linux系统。

• 编译MindSpore时，设置 -s on 关闭维测功能后，SummaryRecord不可用。

参数：

• log_dir (str) - log_dir 是用来保存summary文件的目录。

• file_prefix (str) - 文件的前缀。默认值：events 。

• file_suffix (str) - 文件的后缀。默认值：_MS 。

• network (Cell) - 表示用于保存计算图的网络。默认值：None。

• max_file_size (int, 可选) - 可写入磁盘的每个文件的最大大小（以字节为单位）。例如，预期写入文件最大不超过4GB，则设置 max_file_size=4*1024**3 。默认值：None，表示无限制。

• raise_exception (bool, 可选) - 设置在记录数据中发生RuntimeError或OSError异常时是否抛出异常。默认值：False，表示打印错误日志，不抛出异常。

• export_options (Union[None, dict]) - 可以将保存在summary中的数据导出，并使用字典自定义所需的数据和文件格式。注：导出的文件大小不受 max_file_size 的限制。例如，您可以设置{‘tensor_format’:’npy’}将Tensor导出为 npy 文件。支持导出的数据类型如下所示。默认值：None，表示不导出数据。

  • tensor_format (Union[str, None]) - 自定义导出的Tensor的格式。支持[“npy”, None]。默认值：None，表示不导出Tensor。

    • npy：将Tensor导出为NPY文件。

异常：

• TypeError - max_file_size 不是整型，或 file_prefix 和 file_suffix 不是字符串。

• ValueError - 编译MindSpore时，设置 -s on 关闭了维测功能。

样例：

>>> import mindspore as ms
>>> if __name__ == '__main__':
...     # use in with statement to auto close
...     with ms.SummaryRecord(log_dir="./summary_dir") as summary_record:
...         pass
...
...     # use in try .. finally .. to ensure closing
...     try:
...         summary_record = ms.SummaryRecord(log_dir="./summary_dir")
...     finally:
...         summary_record.close()

add_value(plugin, name, value)

添加需要记录的值。

参数：

• plugin (str) - 数据类型标签。

  • graph：代表添加的数据为计算图。

  • scalar：代表添加的数据为标量。

  • image：代表添加的数据为图片。

  • tensor：代表添加的数据为张量。

  • histogram：代表添加的数据为直方图。

  • train_lineage：代表添加的数据为训练阶段的lineage数据。

  • eval_lineage：代表添加的数据为评估阶段的lineage数据。

  • dataset_graph：代表添加的数据为数据图。

  • custom_lineage_data：代表添加的数据为自定义lineage数据。

  • LANDSCAPE：代表添加的数据为地形图。

• name (str) - 数据名称。

• value (Union[Tensor, GraphProto, TrainLineage, EvaluationLineage, DatasetGraph, UserDefinedInfo，LossLandscape]) - 待存储的值。

  • 当plugin为”graph”时，参数值的数据类型应为”GraphProto”对象。具体详情，请参见 mindspore/ccsrc/anf_ir.proto 。

  • 当plugin为”scalar”、”image”、”tensor”或”histogram”时，参数值的数据类型应为”Tensor”对象。

  • 当plugin为”train_lineage”时，参数值的数据类型应为”TrainLineage”对象。具体详情，请参见 mindspore/ccsrc/lineage.proto 。

  • 当plugin为”eval_lineage”时，参数值的数据类型应为”EvaluationLineage”对象。具体详情，请参见 mindspore/ccsrc/lineage.proto 。

  • 当plugin为”dataset_graph”时，参数值的数据类型应为”DatasetGraph”对象。具体详情，请参见 mindspore/ccsrc/lineage.proto 。

  • 当plugin为”custom_lineage_data”时，参数值的数据类型应为”UserDefinedInfo”对象。具体详情，请参见 mindspore/ccsrc/lineage.proto 。

  • 当plugin为”LANDSCAPE”时，参数值的数据类型应为”LossLandscape”对象。具体详情，请参见 mindspore/ccsrc/summary.proto 。

异常：

• ValueError - plugin 的值不在可选值内。

• TypeError - name 不是非空字符串，或当 plugin 为”scalar”、”image”、”tensor”或”histogram”时，value 的数据类型不是”Tensor”对象。

样例：

>>> import mindspore as ms
>>> from mindspore import Tensor
>>> if __name__ == '__main__':
...     with ms.SummaryRecord(log_dir="./summary_dir", file_prefix="xx_", file_suffix="_yy") \
...             as summary_record:
...         summary_record.add_value('scalar', 'loss', Tensor(0.1))

close()

将缓冲区中的数据立刻写入文件并关闭SummaryRecord。请使用with语句或try…finally语句进行自动关闭。

样例：

>>> import mindspore as ms
>>> if __name__ == '__main__':
...     try:
...         summary_record = ms.SummaryRecord(log_dir="./summary_dir")
...     finally:
...         summary_record.close()

flush()

刷新缓冲区，将缓冲区中的数据写入磁盘。

调用该函数以确保所有挂起事件都已写入到磁盘。

样例：

>>> import mindspore as ms
>>> if __name__ == '__main__':
...     with ms.SummaryRecord(log_dir="./summary_dir", file_prefix="xx_", file_suffix="_yy") \
...             as summary_record:
...         summary_record.flush()

property log_dir

获取日志文件的完整路径。

返回：

str，日志文件的完整路径。

样例：

>>> import mindspore as ms
>>> if __name__ == '__main__':
...     with ms.SummaryRecord(log_dir="./summary_dir", file_prefix="xx_", file_suffix="_yy") \
...             as summary_record:
...         log_dir = summary_record.log_dir

record(step, train_network=None, plugin_filter=None)

记录summary。

参数：

• step (int) - 表示当前的step。

• train_network (Cell) - 表示用于保存计算图的训练网络。默认值：None，表示当原始网络的图为None时，不保存计算图。

• plugin_filter (Callable[[str], bool], 可选) - 过滤器函数，用于过滤需要写入的标签项。默认值：None。

返回：

bool，表示记录是否成功。

异常：

• TypeError - step 不为整型，或 train_network 的类型不为 mindspore.nn.Cell 。

样例：

>>> import mindspore as ms
>>> if __name__ == '__main__':
...     with ms.SummaryRecord(log_dir="./summary_dir", file_prefix="xx_", file_suffix="_yy") \
...             as summary_record:
...         result = summary_record.record(step=2)
...         print(result)
...
True

set_mode(mode)

设置模型运行阶段。不同的阶段会影响记录数据的内容。

参数：

• mode (str) - 待设置的网络阶段，可选值为”train”或”eval”。

  • train：代表训练阶段。

  • eval：代表评估阶段，此时 summary_record 不会记录summary算子的数据。

异常：

• ValueError - mode 的值不在可选值内。

样例：

>>> import mindspore as ms
>>> if __name__ == '__main__':
...     with ms.SummaryRecord(log_dir="./summary_dir", file_prefix="xx_", file_suffix="_yy") \
...             as summary_record:
...         summary_record.set_mode('eval')