PyTorch可视化工具：TensorBoard、Visdom

 一、视化TensorBoard

TensorBoard 一般都是工具作为 TensorFlow 的可视化工具，与 TensorFlow 深度集成，视化它能够展现 TensorFlow 的工具网络计算图，绘制图像生成的视化定量指标图以及附加数据等。

此外，工具TensorBoard 也是视化一个独立工具，在 PyTorch 中也可使用它进行可视化。工具

1、视化安装：pip install tensorboard

2、工具启动：tensorboard --logdir="日志目录"

启动 tensorboard 时，视化可指定 logdir、工具port（默认6006）、视化host（默认localhost）等参数： 

usage: tensorboard [-h] [--helpfull] [--logdir PATH] [--logdir_spec PATH_SPEC]                     [--host ADDR] [--bind_all] [--port PORT]                     [--purge_orphaned_data BOOL] [--db URI] [--db_import]                     [--inspect] [--version_tb] [--tag TAG] [--event_file PATH]                     [--path_prefix PATH] [--window_title TEXT]                     [--max_reload_threads COUNT] [--reload_interval SECONDS]                     [--reload_task TYPE] [--reload_multifile BOOL]                     [--reload_multifile_inactive_secs SECONDS]                     [--generic_data TYPE]                     [--samples_per_plugin SAMPLES_PER_PLUGIN]                     [--debugger_data_server_grpc_port PORT]                     [--debugger_port PORT] [--master_tpu_unsecure_channel ADDR] 

3、源码下载工具Tensorboard 可视化演示(PyTorch 框架)：

训练模型，视化导入 tensorboard. SummaryWriter 保存 loss、accuracy 等日志信息。 

# 导入SummaryWriter  from torch.utils.tensorboard import SummaryWriter  ...  # 创建SummaryWriter实例，指定log_dir的位置  summaryWriter = SummaryWriter(log_dir="/Users/liyunfei/PycharmProjects/python3practice/06DL/fcnn/logs")  ...  # 模型训练时，写入train_loss、test_loss、score等信息  summaryWriter.add_scalars("loss", {"train_loss_avg": train_loss_avg, "test_loss_avg": test_loss_avg}, epoch)  summaryWriter.add_scalar("score", score, epoch) 

启动 TensorBoar ，训练过程可视化。

1）启动命令： 

tensorboard --logdir=/Users/liyunfei/PycharmProjects/python3practice/06DL/fcnn/logs 

2）启动成功如图示：

 

3）可视化结果如下：

二、Visdom

Visdom 是 Facebook 专门为 PyTorch 开发的一款可视化工具，能够支持“远程数据”的可视化，支持 Torch 和 Numpy。GitHub 地址：https://github.com/fossasia/visdom

1、源码库安装：pip install visdom

2、启动：

 python -m visdom.server

          -m 是以模块服务启动

 如果是 linux/mac-os 环境，可以使用以下命令启动运行在后台

          nohup python -m visdom.server &

启动 Visdom 时，可以指定 port（默认8097）、hostname（默认localhost）等其它参数： 

usage: server.py [-h] [-port port] [--hostname hostname] [-base_url base_url]                   [-env_path env_path] [-logging_level logger_level]                   [-readonly] [-enable_login] [-force_new_cookie]                   [-use_frontend_client_polling] 

3、Visdom 可视化演示

1）启动 Visdom：

python -m visdom.server -port 8097

2）启动成功如下：

3）训练过程可视化代码： 

# 导入visdom包  import visdom  # 创建Visdom对象，连接服务端，指定env环境(不指定默认env="main")  viz = visdom.Visdom(server=http://localhost, port=8097, env=liyunfei)  ...  viz.line([0.], [0], win=train_loss, opts=dict(title=train_loss))  viz.line([0.], [0], win=accuracy, opts=dict(title=accuracy))  ...  # 模型训练时，实时可视化loss、accuracy等信息。  viz.line([train_loss_avg], [epoch], win=train_loss, update=append)  viz.line([accuracy], [epoch], win=accuracy, update=append) 

4）可视化结果：

5）其它操作——可视化一张/多张图片：

示例： 

import visdom  import numpy as np  viz = visdom.Visdom(server=http://localhost, port=8097, env=liyunfei)  # 一张图片  viz.image(      np.random.rand(3, 512, 256),      opts=dict(title=Random!, caption=How random.),  )  # 多张图片  viz.images(      np.random.randn(20, 3, 64, 64),      nrow=5,      opts=dict(title=Random images, caption=How random.)  ) 

效果：

6）Visdom 的更多可视化 API（常用的是 line、image、text）： 

vis.scatter : 2D 或 3D 散点图  vis.line : 线图  vis.stem : 茎叶图  vis.heatmap : 热力图  vis.bar : 条形图  vis.histogram: 直方图  vis.boxplot : 箱型图  vis.surf : 表面图  vis.contour : 轮廓图  vis.quiver : 绘出二维矢量场  vis.image : 图片  vis.text : 文本  vis.mesh : 网格图  vis.save : 序列化状态 高防服务器

本文地址：http://www.bzuk.cn/news/204b30699489.html