开发者

PyTorch 可视化工具TensorBoard和Visdom

目录
  • 一、TensorBoard
  • 二、Visdom

PyTorch 可视化工具TensorBoard和Visdom

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]

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/pythonwww.cppcns.com3practice/06DL/fcnn/logs")
...
# 模型训练时,写入train_loss、test_loss、score等信息
summaryWriter.add_scalars("loss", {"train_losshttp://www.cppcns.com_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:

PyTorch 可视化工具TensorBoard和Visdom

3)可视化结果如下:

PyTorch 可视化工具TensorBoard和Visdom

二、Visdom

VisdomFacebook 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

PyTorch 可视化工具TensorBoard和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_fro编程客栈ntend_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:

PyTorch 可视化工具TensorBoard和Visdom

PyTorch 可视化工具TensorBoard和Visdom

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]编程客栈, [epoch], win='accuracy', update='append')

4)可视化结果:

PyTorch 可视化工具TensorBoard和Visdom

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:

PyTorch 可视化工具TensorBoard和Visdom

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 : OomaGbp网格图

vis.save : 序列化状态

 到此这篇关于PyTorch 可视化工具TensorBoard和Visdom的文章就介绍到这了,更多相关PyTorch 可视化工具内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!

0

上一篇:

下一篇:

精彩评论

暂无评论...
验证码 换一张
取 消

最新开发

开发排行榜