Class mindspore.train.callback.SummaryCollector(summary_dir, collect_freq=10, collect_specified_data=None, keep_default_action=True, custom_lineage_data=None, collect_tensor_freq=None, max_file_size=None, export_options=None)

    SummaryCollector可以收集一些常用信息。

    它可以帮助收集loss、学习率、计算图等。
    SummaryCollector还可以允许summary算子将数据收集到summary文件中。

    注：
        1. 不允许在回调列表中存在多个SummaryCollector实例。
        2. 并非所有信息都可以在训练阶段或评估阶段收集的。
        3. SummaryCollector始终记录summary算子收集的数据。
        4. SummaryCollector仅支持Linux系统。

    参数：
        summary_dir (str)：收集的数据将存储到此目录。
            如果目录不存在，将自动创建。
        collect_freq (int)：设置数据收集的频率，频率应大于零，单位为`step`。如果设置了频率，将在(current steps % freq)等于0时收集数据，并且将随时收集第一个step。
            需要注意的是，如果使用数据下沉模式，单位将变成`epoch`。
            不建议过于频繁地收集数据，因为这可能会影响性能。默认值：10。
        collect_specified_data (Union[None, dict])：对收集的数据进行自定义操作。
            默认情况下，如果该参数设为None，则默认收集所有数据。
            您可以使用字典自定义需要收集的数据类型。
            例如，您可以设置{'collect_metric':False}不去收集metrics。
            支持控制的数据如下。默认值：None。

            - collect_metric (bool)：表示是否收集训练metrics，目前只收集loss。
              把第一个输出视为loss，并且算出其平均数。
              可选值：True/False。默认值：True。
            - collect_graph (bool)：表示是否收集计算图。目前只收集训练计算图。可选值：True/False。默认值：True。
            - collect_train_lineage (bool)：表示是否收集训练阶段的lineage数据，该字段将显示在MindInsight的lineage页面上。可选值：True/False。默认值：True。
            - collect_eval_lineage (bool)：表示是否收集评估阶段的lineage数据，该字段将显示在MindInsight的lineage页面上。可选值：True/False。默认值：True。
            - collect_input_data (bool)：表示是否为每次训练收集数据集。
              目前仅支持图像数据。
              如果数据集中有多列数据，则第一列应为图像数据。
              可选值：True/False。默认值：True。
            - collect_dataset_graph (bool)：表示是否收集训练阶段的数据集图。
              可选值：True/False。默认值：True。
            - histogram_regular (Union[str, None])：收集参数分布页面的权重和偏置，并在MindInsight中展示。此字段允许常规字符串控制要收集的参数。
              不建议一次收集太多参数，因为这会影响性能。
              注：如果收集的参数太多并且内存不足，训练将会失败。
              默认值：None，表示只收集前五个参数。
        keep_default_action (bool)：此字段影响collect_specified_data字段的收集行为。
            True：表示设置指定数据后，默认收集非指定数据。
            False：表示设置指定数据后，只收集指定数据，不收集其他数据。可选值：True/False，默认值：True。
        custom_lineage_data (Union[dict, None])：允许您自定义数据并将数据显示在MingInsight的lineage页面上。在自定义数据中，key支持str类型，value支持str、int和float类型。默认值：None，表示不存在自定义数据。
        collect_tensor_freq (Optional[int])：语义与`collect_freq`的相同，但仅控制TensorSummary。
            由于TensorSummary数据太大，无法与其他summary数据进行比较，因此此参数用于降低收集量。默认情况下，收集TensorSummary数据的最大step数量为20，但不会超过收集其他summary数据的step数量。
            例如，给定`collect_freq=10`，当总step数量为600时，TensorSummary将收集20个step，而收集其他summary数据时会收集61个step。但当总step数量为为20时，TensorSummary和其他summary将收集3个step。
            另外请注意，在并行模式下，会平均分配总的step数量，这会影响TensorSummary收集的step的数量。
            默认值：None，表示要遵循上述规则。
        max_file_size (Optional[int])：可写入磁盘的每个文件的最大大小（以字节为单位）。
            例如，如果不大于4GB，则设置`max_file_size=4*1024**3`。
            默认值：None，表示无限制。
        export_options (Union[None, dict])：表示对导出的数据执行自定义操作。
            注：导出的文件的大小不受max_file_size的限制。
            您可以使用字典自定义导出的数据。例如，您可以设置{'tensor_format':'npy'}将tensor导出为NPY文件。
            支持控制的数据如下所示。
            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：
        ValueError：参数值与预期的不同。
        TypeError：参数类型与预期的不同。
        RuntimeError：数据采集过程中出现错误。

    示例：
        >>> import mindspore.nn as nn
        >>> from mindspore import context
        >>> from mindspore.train.callback import SummaryCollector
        >>> from mindspore import Model
        >>> from mindspore.nn import Accuracy
        >>>
        >>> if __name__ == '__main__':
        ...     # 如果device_target是GPU，则将device_target设为GPU。
        ...     context.set_context(mode=context.GRAPH_MODE, device_target="Ascend")
        ...     mnist_dataset_dir = '/path/to/mnist_dataset_directory'
        ...     # model_zoo.office.cv.lenet.src.dataset.py中显示的create_dataset方法的详细信息
        ...     ds_train = create_dataset(mnist_dataset_dir, 32)
        ...     # model_zoo.official.cv.lenet.src.lenet.py中显示的LeNet5的详细信息
        ...     network = LeNet5(10)
        ...     net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction="mean")
        ...     net_opt = nn.Momentum(network.trainable_params(), 0.01, 0.9)
        ...     model = Model(network, net_loss, net_opt, metrics={"Accuracy": Accuracy()}, amp_level="O2")
        ...
        ...     # 简单用法：
        ...     summary_collector = SummaryCollector(summary_dir='./summary_dir')
        ...     model.train(1, ds_train, callbacks=[summary_collector], dataset_sink_mode=False)
        ...
        ...     # 不收集metric，收集第一层参数。默认收集其他数据。
        ...     specified={'collect_metric': False, 'histogram_regular': '^conv1.*'}
        ...     summary_collector = SummaryCollector(summary_dir='./summary_dir', collect_specified_data=specified)
        ...     model.train(1, ds_train, callbacks=[summary_collector], dataset_sink_mode=False)