PyTorch 训练可视化教程 visdom

visdom 快速启动

启动地址：http://localhost:8097/

visdom 的介绍

Visdom是Facebook专为PyTorch开发的实时可视化工具包，其作用相当于TensorFlow中的Tensorboard，灵活高效且界面美观，下面就一起来学习下如何使用吧！如果想更多了解关于Visdom的使用可以参考官方

首先来欣赏下官方提供的Visdom的可视化界面

Visdom的安装

安装非常简易，只需要打开cmd窗口，输入一下命令即可快速安装完成

pip install visdom

Visdom 的使用

类似于TensorFlow的TensorBoard，要使用Visdom，就要先在终端开启监听命令，根据显示的网址然后在浏览器里输入：http://localhost:8097 进行登录，此时如果报错，别怕，参考以下网站一定能轻松解决（新版visdom已经解决了可以使用pip install --upgrade visdom进行更新即可）：

开启监听命令

python -m visdom.server # 或者直接visdom

示例1：实时曲线绘制方法

方法是起点+数据点更新

from visdom import Visdom'''
单条追踪曲线设置
'''
viz = Visdom()  # 初始化visdom类
viz.line([0.],    ## Y的第一个点坐标[0.],    ## X的第一个点坐标win="train loss",    ##窗口名称opts=dict(title='train_loss')  ## 图像标例)  #设置起始点
'''
模型数据
'''
viz.line([1.],   ## Y的下一个点坐标[1.],   ## X的下一个点坐标win="train loss", ## 窗口名称 与上个窗口同名表示显示在同一个表格里update='append'   ## 添加到上一个点后面)  # Setting up a new session...# 'train loss'

界面自动更新如下

示例2：多条曲线绘制

多条曲线绘制

from visdom import Visdom'''
多条曲线绘制 实际上就是传入y值时为一个向量
'''
viz = Visdom(env='my_wind') # 注意此时我已经换了新环境
#设置起始点
viz.line([[0.0,0.0]],    ## Y的起始点[0.],    ## X的起始点win="test loss",    ##窗口名称opts=dict(title='test_loss')  ## 图像标例)
'''
模型数据
'''
viz.line([[1.1,1.5]],   ## Y的下一个点[1.],   ## X的下一个点win="test loss", ## 窗口名称update='append'   ## 添加到上一个点后面)  # 'test loss'

大家此时查看需要先切换environment窗口为my才能看到图像，如图所示：

示例3：图像显示

值得注意的是，Visdom支持图像的批量显示

from visdom import Visdom
import numpy as npimage = np.random.randn(6, 3, 200, 300) # 此时batch为6
viz = Visdom(env='my_image') # 注意此时我已经换了新环境
viz.images(image, win='x')# 'x'

界面自动更新如下

示例4：可视化数据集

值得注意的是，Visdom支持图像的批量显示

from visdom import Visdom
import numpy as np
import torch
from torchvision import datasets, transforms# 注意数据集路径
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)) # 通过迭代器获取样本
# sample[0]为样本数据 sample[1]为类别  nrow=16表示每行显示16张图像
viz = Visdom(env='my_visual') # 注意此时我已经换了新环境
viz.images(sample[0],nrow=16,win='mnist',opts=dict(title='mnist'))# 'mnist'

界面自动更新如下

示例5：训练

下面通过具体的训练过程通过visdom可视化
为了方便显示Visdom的功能，直接使用自带的MNist数据进行可视化。

'''
导入库文件
'''
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'''
构建简单的模型:简单线性层+Relu函数的多层感知机
'''
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# 注意数据集路径
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)
# 注意数据集路径
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)# 注意此处初始化visdom类
viz = Visdom()
# 绘制起点
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)# 绘制epoch以及对应的测试集损失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曲线如图所示

visdom 基本可视化函数

具体使用方法仍然可以参考上述网站，限于篇幅，这里主要列举最常用的line函数以及image函数的使用方法

visdom基本可视化函数

- vis.image : 图片
- vis.line: 曲线
- vis.images : 图片列表
- vis.text : 抽象HTML 输出文字
- vis.properties : 属性网格
- vis.audio : 音频
- vis.video : 视频
- vis.svg : SVG对象
- vis.matplot : matplotlib图
- vis.save : 序列化状态服务端

上述函数参数

注意opt的参数都可以用python字典的格式传入，大家可以参考下方使用方法

- opts.title : 图标题
- opts.width : 图宽
- opts.height : 图高
- opts.showlegend : 显示图例 (true or false)
- opts.xtype : x轴的类型 ('linear' or 'log')
- opts.xlabel : x轴的标签
- opts.xtick : 显示x轴上的刻度 (boolean)
- opts.xtickmin : 指定x轴上的第一个刻度 (number)
- opts.xtickmax : 指定x轴上的最后一个刻度 (number)
- opts.xtickvals : x轴上刻度的位置(table of numbers)
- opts.xticklabels : 在x轴上标记标签 (table of strings)
- opts.xtickstep : x轴上刻度之间的距离 (number)
- opts.xtickfont :x轴标签的字体 (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 : 左边框 (in pixels)
- opts.marginright :右边框 (in pixels)
- opts.margintop : 上边框 (in pixels)
- opts.marginbottom: 下边框 (in pixels)
- opts.lagent=['']： 显示图标

参考链接

轻松学 Pytorch–Visdom 可视化
GitHub 地址
PyTorch的远程可视化神器visdom

PyTorch 训练可视化教程 visdom相关推荐

pytorch训练可视化包visdom的使用
visdom的使用一.简介二.安装与启动三.设计思路四.在迭代训练中的绘图五.一般绘图六.基本调整与保存文件 1.`调整大小.拖拽`:长按拖动即可,右下角落长按移动即可放大缩小 2.`查看 ...
Pytorch的可视化工具visdom的基本使用
Pytorch的可视化工具visdom的基本使用一.简介 Visdom 是 Facebook 专门为Pytorch开发的一款用于创建.组织和共享实时丰富数据的开源可视化工具.支持 Torch 和 N ...
【深度学习】PyTorch深度学习训练可视化工具visdom
PyTorch Author:louwill Machine Learning Lab 在进行深度学习实验时,能够可视化地对训练过程和结果进行展示是非常有必要的.除了Torch版本的TensorBoa ...
PyTorch之—可视化（Visdom/TensorboardX）
文章目录一.Visdom 安装与使用小案例二.TensorBoardX 案例一案例二使用PROJECTOR对高维向量可视化绘制网络结构一.Visdom Visdom是Facebook在2 ...
PyTorch深度学习训练可视化工具tensorboardX
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达之前笔者提到了PyTorch的专属可视化工具visdom,参看Py ...
【CV】Pytorch一小时教程添加损失函数图像可视化训练过程
Pytorch一小时教程中的图像分类器(GPU版本)的原代码为: import torch.optim as optim import torch import torchvision import ...
PyTorch学习笔记(13)——强力的可视化工具visdom
今天,让我们来放松一下大脑,学习点轻松的东西----可视化工具Visdom,它可以让我们在使用PyTorch训练模型的时候,可视化中间的训练情况,无论是loss变化还是中间结果比较.相比干呆呆的瞪着命 ...
PyTorch项目使用TensorboardX进行训练可视化
PyTorch项目使用TensorboardX进行训练可视化什么是TensorboardX 配置TensorboardX 使用 pip 安装从源码安装使用TensorboardX 参考资料什么 ...
PyTorch 模型训练实用教程(附代码)
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程公众号:datayx PyTorch 能在短时间内被众多研究人员和工程师接受并推崇是因为其有着诸多优点,如采用 Py ...