visdom 快速啟動(dòng)

啟動(dòng)地址：http://localhost:8097/

visdom 的介紹

Visdom是Facebook專為PyTorch開發(fā)的實(shí)時(shí)可視化工具包，其作用相當(dāng)于TensorFlow中的Tensorboard，靈活高效且界面美觀，下面就一起來學(xué)習(xí)下如何使用吧！如果想更多了解關(guān)于Visdom的使用可以參考官方

首先來欣賞下官方提供的Visdom的可視化界面

Visdom的安裝

• 安裝非常簡(jiǎn)易，只需要打開cmd窗口，輸入一下命令即可快速安裝完成

pip install visdom

Visdom 的使用

類似于TensorFlow的TensorBoard，要使用Visdom，就要先在終端開啟監(jiān)聽命令，根據(jù)顯示的網(wǎng)址然后在瀏覽器里輸入：http://localhost:8097 進(jìn)行登錄，此時(shí)如果報(bào)錯(cuò)，別怕，參考以下網(wǎng)站一定能輕松解決（新版visdom已經(jīng)解決了可以使用pip install --upgrade visdom進(jìn)行更新即可）：

開啟監(jiān)聽命令

python -m visdom.server # 或者直接visdom

示例1：實(shí)時(shí)曲線繪制方法

• 方法是起點(diǎn)+數(shù)據(jù)點(diǎn)更新

from visdom import Visdom''' 單條追蹤曲線設(shè)置 ''' viz = Visdom() # 初始化visdom類 viz.line([0.], ## Y的第一個(gè)點(diǎn)坐標(biāo)[0.], ## X的第一個(gè)點(diǎn)坐標(biāo)win="train loss", ##窗口名稱opts=dict(title='train_loss') ## 圖像標(biāo)例) #設(shè)置起始點(diǎn) ''' 模型數(shù)據(jù) ''' viz.line([1.], ## Y的下一個(gè)點(diǎn)坐標(biāo)[1.], ## X的下一個(gè)點(diǎn)坐標(biāo)win="train loss", ## 窗口名稱 與上個(gè)窗口同名表示顯示在同一個(gè)表格里update='append' ## 添加到上一個(gè)點(diǎn)后面) # Setting up a new session...# 'train loss'

• 界面自動(dòng)更新如下
  

示例2：多條曲線繪制

• 多條曲線繪制

from visdom import Visdom''' 多條曲線繪制 實(shí)際上就是傳入y值時(shí)為一個(gè)向量 ''' viz = Visdom(env='my_wind') # 注意此時(shí)我已經(jīng)換了新環(huán)境 #設(shè)置起始點(diǎn) viz.line([[0.0,0.0]], ## Y的起始點(diǎn)[0.], ## X的起始點(diǎn)win="test loss", ##窗口名稱opts=dict(title='test_loss') ## 圖像標(biāo)例) ''' 模型數(shù)據(jù) ''' viz.line([[1.1,1.5]], ## Y的下一個(gè)點(diǎn)[1.], ## X的下一個(gè)點(diǎn)win="test loss", ## 窗口名稱update='append' ## 添加到上一個(gè)點(diǎn)后面) # 'test loss'

• 大家此時(shí)查看需要先切換environment窗口為my才能看到圖像，如圖所示：
  

示例3：圖像顯示

• 值得注意的是，Visdom支持圖像的批量顯示

from visdom import Visdom import numpy as npimage = np.random.randn(6, 3, 200, 300) # 此時(shí)batch為6 viz = Visdom(env='my_image') # 注意此時(shí)我已經(jīng)換了新環(huán)境 viz.images(image, win='x')# 'x'

• 界面自動(dòng)更新如下
  

示例4：可視化數(shù)據(jù)集

• 值得注意的是，Visdom支持圖像的批量顯示

from visdom import Visdom import numpy as np import torch from torchvision import datasets, transforms# 注意數(shù)據(jù)集路徑 train_loader = torch.utils.data.DataLoader(datasets.MNIST(r'D:\data',train=True,download=False,transform=transforms.Compose([transforms.ToTensor()])),batch_size=128,shuffle=True) sample=next(iter(train_loader)) # 通過迭代器獲取樣本 # sample[0]為樣本數(shù)據(jù) sample[1]為類別 nrow=16表示每行顯示16張圖像 viz = Visdom(env='my_visual') # 注意此時(shí)我已經(jīng)換了新環(huán)境 viz.images(sample[0],nrow=16,win='mnist',opts=dict(title='mnist'))# 'mnist'

• 界面自動(dòng)更新如下
  

示例5：訓(xùn)練

• 下面通過具體的訓(xùn)練過程通過visdom可視化
• 為了方便顯示Visdom的功能，直接使用自帶的MNist數(shù)據(jù)進(jìn)行可視化。

''' 導(dǎo)入庫(kù)文件 ''' import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms from visdom import Visdom import numpy as np''' 構(gòu)建簡(jiǎn)單的模型:簡(jiǎn)單線性層+Relu函數(shù)的多層感知機(jī) ''' class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.model = nn.Sequential(nn.Linear(784, 200),nn.ReLU(inplace=True),nn.Linear(200, 200),nn.ReLU(inplace=True),nn.Linear(200, 10),nn.ReLU(inplace=True),)def forward(self, x):x = self.model(x)return xbatch_size = 128 learning_rate = 0.01 epochs = 10# 注意數(shù)據(jù)集路徑 train_loader = torch.utils.data.DataLoader(datasets.MNIST(r'D:\Users\Administrator\Desktop\PythonDLbasedonPytorch\data', train=True,download=True,transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307, ), (0.3081, ))])),batch_size=batch_size,shuffle=True) # 注意數(shù)據(jù)集路徑 test_loader = torch.utils.data.DataLoader(datasets.MNIST(r'D:\Users\Administrator\Desktop\PythonDLbasedonPytorch\data',train=False,transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307, ), (0.3081, ))])),batch_size=batch_size,shuffle=True)# 注意此處初始化visdom類 viz = Visdom() # 繪制起點(diǎn) viz.line([0.], [0.], win="train loss", opts=dict(title='train_loss')) device = torch.device('cuda:0') net = MLP().to(device) optimizer = optim.SGD(net.parameters(), lr=learning_rate) criteon = nn.CrossEntropyLoss().to(device)for epoch in range(epochs):for batch_idx, (data, target) in enumerate(train_loader):data = data.view(-1, 28 * 28)data, target = data.to(device), target.cuda()logits = net(data)loss = criteon(logits, target)optimizer.zero_grad()loss.backward()# print(w1.grad.norm(), w2.grad.norm())optimizer.step()if batch_idx % 100 == 0:print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(epoch, batch_idx * len(data), len(train_loader.dataset),100. * batch_idx / len(train_loader), loss.item()))test_loss = 0correct = 0for data, target in test_loader:data = data.view(-1, 28 * 28)data, target = data.to(device), target.cuda()logits = net(data)test_loss += criteon(logits, target).item()pred = logits.argmax(dim=1)correct += pred.eq(target).float().sum().item()test_loss /= len(test_loader.dataset)# 繪制epoch以及對(duì)應(yīng)的測(cè)試集損失lossviz.line([test_loss], [epoch], win="train loss", update='append')print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(test_loss, correct, len(test_loader.dataset),100. * correct / len(test_loader.dataset)))

loss曲線如圖所示

visdom 基本可視化函數(shù)

• 具體使用方法仍然可以參考上述網(wǎng)站，限于篇幅，這里主要列舉最常用的line函數(shù)以及image函數(shù)的使用方法

visdom基本可視化函數(shù)

- vis.image : 圖片 - vis.line: 曲線 - vis.images : 圖片列表 - vis.text : 抽象HTML 輸出文字 - vis.properties : 屬性網(wǎng)格 - vis.audio : 音頻 - vis.video : 視頻 - vis.svg : SVG對(duì)象 - vis.matplot : matplotlib圖 - vis.save : 序列化狀態(tài)服務(wù)端

上述函數(shù)參數(shù)

• 注意opt的參數(shù)都可以用python字典的格式傳入，大家可以參考下方使用方法

- opts.title : 圖標(biāo)題 - opts.width : 圖寬 - opts.height : 圖高 - opts.showlegend : 顯示圖例 (true or false) - opts.xtype : x軸的類型 ('linear' or 'log') - opts.xlabel : x軸的標(biāo)簽 - opts.xtick : 顯示x軸上的刻度 (boolean) - opts.xtickmin : 指定x軸上的第一個(gè)刻度 (number) - opts.xtickmax : 指定x軸上的最后一個(gè)刻度 (number) - opts.xtickvals : x軸上刻度的位置(table of numbers) - opts.xticklabels : 在x軸上標(biāo)記標(biāo)簽 (table of strings) - opts.xtickstep : x軸上刻度之間的距離 (number) - opts.xtickfont :x軸標(biāo)簽的字體 (dict of font information) - opts.ytype : type of y-axis ('linear' or 'log') - opts.ylabel : label of y-axis - opts.ytick : show ticks on y-axis (boolean) - opts.ytickmin : first tick on y-axis (number) - opts.ytickmax : last tick on y-axis (number) - opts.ytickvals : locations of ticks on y-axis (table of numbers) - opts.yticklabels : ticks labels on y-axis (table of strings) - opts.ytickstep : distances between ticks on y-axis (number) - opts.ytickfont : font for y-axis labels (dict of font information) - opts.marginleft : 左邊框 (in pixels) - opts.marginright :右邊框 (in pixels) - opts.margintop : 上邊框 (in pixels) - opts.marginbottom: 下邊框 (in pixels) - opts.lagent=['']： 顯示圖標(biāo)

參考鏈接

輕松學(xué) Pytorch–Visdom 可視化

GitHub 地址

PyTorch的遠(yuǎn)程可視化神器visdom

總結(jié)

以上是生活随笔為你收集整理的PyTorch 训练可视化教程 visdom的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。