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/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: 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