PyTorch可视化工具：TensorBoard、Visdom-tensorboard可视化

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：

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] 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.

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。

# 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) 
1.
2.
3.
4.
5.
6.
7.
8.
9.

启动 TensorBoar ，训练过程可视化。

1）启动命令：

tensorboard --logdir=/Users/liyunfei/PycharmProjects/python3practice/06DL/fcnn/logs 
1.

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：

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] 
1.
2.
3.
4.

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') 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.

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.')  
) 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.

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 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.