Press "Enter" to skip to content

PyTorch可视化工具:TensorBoard、Visdom

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

一、TensorBoard

 

TensorBoard 一般都是作为 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、: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]

 

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)

 

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、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:   
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

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注