PyTorch可视化——tensorboard、visdom

1、pytorch与tensorboard结合使用

Tensorboard 

Tensorboard通常都是做为tf的可视化工具，与tf深度集成，它可以展示tf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，只要保存的数据遵循必定的格式，Tensorboard就能够读取这些数据并进行可视化

• 将网络结构、动态数值以 protocol buffer 格式写到文件里。
• 读取网络结构、读取动态数值，并展现在浏览器中。

Tensorboard_logger 

Tensorboard_logger是TeamHGMemex开发的一款轻量级工具，它将Tensorboard的工具抽取出来，使得非tf用户也可使用它进行可视化，不过功能有限，但一些经常使用的仍是能够支持。

 

安装 

1.安装tensorflow：

　　建议安装cpu-onlu版本（由于本人pytorch安装的是GPU版本，避免在同一个虚拟环境下包冲突），能够选择直接pip安装

 

2.安装tensorboard_logger：

　　安装十分简单，能够经过 pip install tensorboard_logger 命令直接安装

 

如何使用 

1.首先启动Tensorboard，命令格式以下：

tensorboard --logdir <your/running/dir> --port <your_bind_port>

 

例如命令是:

tensorboard --logdir /home/tenyun/Documents/Githome/pytorch_home/ --port 1234

 

这里选择端口的时候，必定要注意，不能选择被占用的端口

 

启动成功后，控制台以下输出:

TensorBoard 1.11.0 at http://TenYun:1234(Press CTRL+C to quit)

 

 

2.代码中使用

from tensorboard_logger import Logger # 构建logger对象，logdir用来指定log文件的保存路径 # flush_secs用来指定刷新同步间隔 logger = Logger(logdir="/home/tenyun/Documents/Githome/pytorch_home", flush_secs=2) # 模拟函数 for ii in range(100): logger.log_value('loss', 10-ii**0.5, step=ii) logger.log_value('accuracy', ii**0.5/10, step=ii) 

 

3.查看结果

运行之后，到浏览器输入: http://localhost:1234，注意换成你绑定的端口，能够看到结果。

 

2、visdom

https://blog.csdn.net/g11d111/article/details/84571118

 

基本概念

Visdom有一些简单的特性，咱们能够根据这个特性来构建属于本身的特定的例程（use-cases）。

 

①Panes（窗格）

 

当你刚刚打开UI会发现，这是个白板，只有一片蓝色，别的啥都没有…。咱们能够用图形、图像和文本填充它。

注意，

　　不管是文本仍是图像、视频，都须要放在一个叫作pane的container里面，你能够对这些pane（窗口）拖拽，缩放以及删除。

 

其中，pane存在于envs，envs的 status（状态）能够跨sessions（会话）保存。

 

此外，pane还支持callbacks（回调函数），也就是说，当你在一个pane上输入一些内容, 若是后端写好了对应的处理逻辑，那么callbacks会要求Visdom对象接收前端传来的输入给后端的处理代码，并将处理后的结果返回到前端显示，也就是pane能够支持交互～

 

② Enviroments环境

UI的左上角，有一条这样的东西：

　　这是可视化空间所在的环境（envs）——能够理解为①中pane所在的context。

　　默认状况下，每一个用户会拥有一个叫作main的env。

 

 

若是有额外的需求，好比要在不一样的环境中展现多种层次的内容，用户能够在UI（前端）或者后端建立新的env。环境变量的状态被长期保存。

 

咱们能够在UI任意的切换不一样的环境（env）。当你选择了一个新的env，visdom将会向服务器请求存在于该env中的图像。

 

在 env selector（环境选择器）后面，有一个小的橡皮擦eraser button，用户可使用它来清除当前env下的全部内容。若是你的展现是动态的，也就是数据源源不断须要展现，那么后续的图像会 继续展现在此env下。

 

③State——状态

 

当你在某些env下建立了一些可视化图像内容后，服务器会自动缓存这些可视化结果（设置checkpoint）。若是你从新加载此页面或者从新打开服务器，这些图像内容会重现的。

 

固然，你也能够手动的保存这些env的状态：

 

• save: 能够序列化env的状态，并以json文件保持在磁盘中。
• fork: 当输入一个新的名字，会复制当前的状态到这个new env下。

 

 

④ Filter——过滤

这个功能挺容易理解的：就是根据你在filter窗口的输入（右上角）对当前env下全部windows的title进行字符串正则匹配，只显示该env下跟输入的图像名字匹配的图像

 

 

---

总结：

明确几个名词：

• env：看做一个大容器，在代码中是 vis=visdom.Visdom(env=''main)
• pane： 就是用于绘图的小窗口，在代码中叫 window

使用Visdom就是在env中的pane上画图

 

区别参数env和win：

• env是Visdom的参数，指定环境的名字，默认有个叫main的环境
• win（和opts）是vis中几乎全部函数都有的参数，指定pane的名字，建议每次操做都指定win

 

补充：

• opts用来可视化设置，接收一个字典。通用的一些配置：主要用于设置pane的显示格式

options.title

options.xlabel

options.ylabel

options.width

 

• 避免覆盖以前的数值：

    1.指定参数 update=‘append’

    2.使用vis.updateTrace方法更新图

 

---

安装（setup）& 启动例子（demo）

个人是python3.x，直接pip install visdom便可。

 

安装后，不须要代码写好，就能够在命令行里面跑visdom。

 

启动方法:  python -m visdom.server 或者直接敲 visdom，刚执行的时候，会开始下载一些脚本，须要等待一会

 

而后试一段代码：

import visdom import numpy as np  vis = visdom.Visdom() vis.text('Hello, world!') vis.image(np.ones((3, 10, 10)))

 

上述代码运行后，打开浏览器，输入：

http://localhost:8097

 

看看结果怎么样

 

 

再试一下其余代码：

import torch as t import visdom as vis v=vis.Visdom(env='linetest') x=t.arange(1,30,0.01) y=t.sin(x) v.line(X=x,Y=y,win='sinx',opts={'title':'y.sin(x)'})

 

 

 

可视化接口

https://blog.csdn.net/u012436149/article/details/69389610?utm_source=distribute.pc_relevant.none-task

 

Visdom支持下列API。由Plotly提供可视化支持。

• 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

尽管大多数API 的输入包含，一个tensor X（保存数据）和一个可选的tensor Y（保存标签或者时间戳）。

全部的绘图函数都接收一个可选参数win，用来将图画到一个特定的pane上。每一个绘图函数也会返回当前绘图的win。您也能够指定 汇出的图添加到哪一个env上。

 

三个经常使用到的函数以下：

 

line:

这个函数用来画 线图。记录标量的变化如：损失、准确率。它须要一个形状为N或者N×M的tensor Y，用来指定 M条线的值(每条线上有N个点)。和一个可供选择的 tensor X 用来指定对应的 x轴的值; X能够是一个长度为N的tensor（这种状况下，M条线共享同一个 x轴），也能够是形状和Y同样的tensor。

The following options are supported:

options.fillarea : 填充线下面的区域 (boolean)

options.colormap : 色图 (string; default = 'Viridis')

options.markers : 显示点标记 (boolean; default = false)

options.markersymbol: 标记的形状 (string; default = 'dot')

options.markersize : 标记的大小 (number; default = '10')

options.legend : 保存图例名字的 table

 

 

image:

这个函数用来画 图片。能够是输入的图片、GAN生成的图片、卷积核的信息

输入：

img(tensor): shape(C*H*W)。

支持下面特定选项:

options.jpgquality: JPG quality (number 0-100; default = 100)

 

import torch as t import visdom as vis v=vis.Visdom() #可视化一张随机的黑白图片 v.image(t.randn(64,64),win='random1’) #可视化一张随机的彩色图片 v.image(t.randn(3,64,64),win='random2’) #可视化36张随机彩色图片，每一张6行 v.images( t.randn(36,3,64,64).numpy(), nrow=6, win='rnadom3', opts={'title':'random_img'})

 

 

text:

 　　此函数可在文本框中打印文本。输入输入一个text字符串。目前不支持特定的options. 

 　　该函数支持全部的html标签，也遵循语法标准，换行要使用<br>

 

 

剩下的之后再补充。。。

原文出处：https://www.cnblogs.com/yh-blog/p/12345170.html