PyTorch可视化工具：TensorBoard、Visdom

 

作者：佚名来源：马哥  Linux运维

 一、TensorBoard

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

此外，TensorBoard 也是一个独立工具，在 PyTorch 中也可使用它进行可视化。

1、安装：pip install tensorboard

2、启动：tensorboard --logdir="日志目录"

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

1. usage: tensorboard [-h] [--helpfull] [--logdir PATH] [--logdir_spec PATH_SPEC]  
2.                    [--host ADDR] [--bind_all] [--port PORT]  
3.                    [--purge_orphaned_data BOOL] [--db URI] [--db_import]  
4.                    [--inspect] [--version_tb] [--tag TAG] [--event_file PATH]  
5.                    [--path_prefix PATH] [--window_title TEXT]  
6.                    [--max_reload_threads COUNT] [--reload_interval SECONDS]  
7.                    [--reload_task TYPE] [--reload_multifile BOOL]  
8.                    [--reload_multifile_inactive_secs SECONDS]  
9.                    [--generic_data TYPE]  
10.                    [--samples_per_plugin SAMPLES_PER_PLUGIN]  
11.                    [--debugger_data_server_grpc_port PORT]  
12.                    [--debugger_port PORT] [--master_tpu_unsecure_channel ADDR] 

3、Tensorboard 可视化演示(PyTorch 框架)：

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

1. # 导入SummaryWriter  
2. from torch.utils.tensorboard import SummaryWriter  
3. ...  
4. # 创建SummaryWriter实例，指定log_dir的位置  
5. summaryWriter = SummaryWriter(log_dir="/Users/liyunfei/PycharmProjects/python3practice/06DL/fcnn/logs")  
6. ...  
7. # 模型训练时，写入train_loss、test_loss、score等信息  
8. summaryWriter.add_scalars("loss", {"train_loss_avg": train_loss_avg, "test_loss_avg": test_loss_avg}, epoch)  
9. summaryWriter.add_scalar("score", score, epoch) 

启动 TensorBoar ，训练过程可视化。

1）启动命令：

1. 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、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：

1. usage: server.py [-h] [-port port] [--hostname hostname] [-base_url base_url]  
2.                  [-env_path env_path] [-logging_level logger_level]  
3.                  [-readonly] [-enable_login] [-force_new_cookie]  
4.                  [-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：

1. # 导入visdom包  
2. import visdom  
3. # 创建Visdom对象，连接服务端，指定env环境(不指定默认env="main")  
4. viz = visdom.Visdom(server='http://localhost', port=8097, env='liyunfei')  
5. ...  
6. viz.line([0.], [0], win='train_loss', opts=dict(title='train_loss'))  
7. viz.line([0.], [0], win='accuracy', opts=dict(title='accuracy'))  
8. ...  
9. # 模型训练时，实时可视化loss、accuracy等信息。  
10. viz.line([train_loss_avg], [epoch], win='train_loss', update='append')  
11. 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：

1. import visdom  
2. import numpy as np  
3. viz = visdom.Visdom(server='http://localhost', port=8097, env='liyunfei')  
4. # 一张图片  
5. viz.image(  
6.     np.random.rand(3, 512, 256),  
7.     opts=dict(title='Random!', caption='How random.'),  
8. )  
9. # 多张图片  
10. viz.images(  
11.     np.random.randn(20, 3, 64, 64),  
12.     nrow=5,  
13.     opts=dict(title='Random images', caption='How random.')  
14. ) 

效果：

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

1. vis.scatter : 2D 或 3D 散点图  
2. vis.line : 线图  
3. vis.stem : 茎叶图  
4. vis.heatmap : 热力图  
5. vis.bar : 条形图  
6. vis.histogram: 直方图  
7. vis.boxplot : 箱型图  
8. vis.surf : 表面图  
9. vis.contour : 轮廓图  
10. vis.quiver : 绘出二维矢量场  
11. vis.image : 图片  
12. vis.text : 文本  
13. vis.mesh : 网格图  
14. vis.save : 序列化状态