【可视化】可视化&绘图的学习笔记
1 显示图像
1.1 Matplotlib
在PyCharm中显示图像
import matplotlib
matplotlib.use('TkAgg') # Set backend in Matplotlib;
# A backend is a program for producing the image object, and generally showing image
2 绘制图像
2.1 数据统计示意图：seaborn
Seaborn是基于matplotlib进行高级封装的可视化库，其示例如下
2.2 Matplotlib绘制图像
2.2.1 使用列表值绘制曲线图
import numpy as np
import matplotlib.pyplot as plt
x=np.array([1,2,3,4,5,6,7])
y=np.array([100,50,25,12.5,6.25,3.125,1.5625])
plt.plot(x, y)
plt.title("Curve plotted using the given points")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
2.2.2 使用ndarray绘制曲线图
import matplotlib.pyplot as plt
import numpy as np
train_loss = np.arange(100)
train_epochs_loss = train_loss *2
valid_epochs_loss = train_loss *3
plt.figure(figsize=(12,4)) # (12,4): 6inches × 12inches
plt.subplot(121)
plt.plot(train_loss[:])
plt.title("train_loss")
plt.subplot(122)
plt.plot(train_epochs_loss[1:],'-o',label="train_loss")
plt.plot(valid_epochs_loss[1:],'-o',label="valid_loss")
plt.title("epochs_loss")
plt.legend()
plt.show()
2.2.2 函数曲线图
关于函数曲线图的绘制，可以参考文章《Matplotlib 绘制平滑曲线》
给定函数值绘制折线图
import numpy as np
import matplotlib.pyplot as plt
x=np.array([1,2,3,4,5,6,7])
y=np.array([100,50,25,12.5,6.25,3.125,1.5625])
plt.plot(x, y)
plt.title("Curve plotted using the given points")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
3 模型可视化
3.1 模型结构图绘制
3.1.1 网络整体结构示意图
参考图模板：MMYOLO: OpenMMLab YOLO series toolbox and benchmark.
3.1.2 模块细节参数示意图
参考图模板：《YOLOv5网络详解_太阳花的小绿豆的博客-CSDN博客》
3.2 TensorBoard
使用TensorBoard，可以参考教程《PyTorch TensorBoard Support》；
首先需要安装TensorBoard
使用conda命令安装，
conda install pytorch torchvision -c pytorch
3.1 TorchStudio
可以使用TorchStudio来对网络结构进行可视化；
安装过程：
- 首先需要在TorchStudio官网下载安装包，来进行安装；
- 安装完成后，TorchStudio会提示安装python环境，这里我们需要选择本机已经设置好的conda环境，而不使用TorchStudio推荐方式（在IDE内构建环境）；TorchStudio对选择（select）的环境有下列package的要求：
tqdmgraphviz(注意最后一个字母是z，不是s)python-graphviz
关于TorchStudio的基本使用方法，请参考《TorchStudio | Get Started》
网络结构可视化
我们可以使用TorchStudio的Build功能来对网络进行可视化：
Step1：首先要Load数据集才能可视化网络结构图，所以首先点击Load (Ctrl+L)；
Step2：在右上角选择** Custom Model **表示选择自定义的模型，然后在其右侧列表中选中准备进行可视化的模型，这里“MyModel”就是选中模型的类名；
在构建网络计算图时，测试张量的输入通道数为1；
TorchStudio也支持.py文件的导入，也可以编写好MyModelAdapter类之后再导入到TorchStudio中进行可视化；
2.2 Netron：网络结构可视化工具（对PyTorch不够友好）
Netron对PyTorch的支持有限，
Netron has experimental support for PyTorch, TensorFlow, TorchScript…
我们在使用netron可视化YOLOv5n时也只能看到部分网络图，
像上面这样，不过完整的网络图应该是这样：
上图是用yolov5n.onnx文件可视化的网络结构图；
2.3 绘制张量大小示意图：ConvNetDraw
可以使用ConvNetDraw来绘制网络运算过程中张量大小变化的示意图；
支持六种组件：
input(28, 28, 1)
conv(24, 24, 8)
relu(24, 24, 8)
pool(12, 12, 8)
fullyconn(1, 1, 10)
softmax(1, 1, 10)
3 热力图可视化
plt.imshow(heat_map)
plt.show()
4 降维分析
PCA
UMAP（请参见《Python—UMAP流形数据降维工具简介》）
5 训练指标
5.1 Tensorboard
from torch.utils.tensorboard import SummaryWriter
# 新建SummaryWriter实例，可以设置日志路径
writer = SummaryWriter()
# Writer will output to ./runs/ directory by default
# 启动Tensorboard
tensorboard --logdir=<directory_name>
数据表格：add_hparams() [doc]
add_hparams()本来是用来显示超参数的方法，这里我们也可以用它来显示训练指标；
5.2 VisualDL：类似于Tensorboard的可视化面板
安装VisualDL：[Install by PiP]
5.3 ClearML：在线的实验记录工具
可以自动绘制训练参数曲线图；