注：附带案例需要有pytorch基础

0为什么用visdom而不用matplotlib或tensorboardX？

1.visdom可以直接接受torch的tensor，而不用转化成numpy array；
2.运行效率更高。 tensorboard会把数据写入文件，导致监听文件很大，占用大量的资源，且是每隔三十秒更新一次；而visdom直接在内存中获取数据，毫秒级刷新。

1.安装与使用

安装很简单，直接执行命令：pip install visdom

1.1开启服务

因为visdom本质上是一个类似于就jupyter notebook 的web服务器，在使用之前需要在终端打开服务
在终端中输入 python -m visdom.server（注意第一次运行的时候，visdom会去外网下载一些需要的文件，这时需要当前的网络能翻墙不然页面会一直卡在t might take a while那里不动。）

正常执行后，在浏览器中打开程序给出的网页http://localbost:8097

出现蓝底空白的页面，并且上排有一些bar，表示安装使用成功

1.2简单的使用

1.2.1绘制一条曲线

先创建一个visdom（）实例；
viz.line()，前两个参数分别为y和x，win定义当前图的id，另外还有一个env参数，相当于一个更大范围的id，一个env可以包括多个win，在不指定env的情况下，env默认为‘main’
opt=定义一些每个图的具体设置，如title等；
再次调用viz.line(), 使用相同的env和win，将数据给到图中去，update定义数据的更新方式，‘append’表示附加。

1.2.2绘制多条曲线

在同一个图中绘制多条曲线时，只需要y的参数提供为一个list[y1, y2]；
opts中加图标参数legend=[y1, y2]。

1.2.3可视化图片和文字等

2.pytorch训练识别手写数字网络过程的visdom可视化案例

现在终端启动visdom服务，在浏览器中打开程序给的网页，具体操作参考1.1

案例代码与解读

先导入需要的包

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms

from visdom import Visdom

定义训练参数

batch_size=200
learning_rate=0.01
epochs=10

# 获取训练和测试数据
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
# transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=False, transform=transforms.Compose([
transforms.ToTensor(),
# transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=batch_size, shuffle=True)

# 定义多层感知机（全连接网络）
class MLP(nn.Module):

def __init__(self):
super(MLP, self).__init__()

self.model = nn.Sequential(
nn.Linear(784, 200),
nn.LeakyReLU(inplace=True),
nn.Linear(200, 200),
nn.LeakyReLU(inplace=True),
nn.Linear(200, 10),
nn.LeakyReLU(inplace=True),
)

def forward(self, x):
x = self.model(x)

return x

# 定义训练过程
device = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
criteon = nn.CrossEntropyLoss().to(device)

# 定义两个用于可视化训练和测试过程visdom窗口，即两张图
viz = Visdom()

viz.line([0.], [0.], win='train_loss', opts=dict(title='train loss'))
viz.line([[0.0, 0.0]], [0.], win='test', opts=dict(title='test loss&acc.',
legend=['loss', 'acc.']))
global_step = 0

这个代码块执行后，去查看visdom提高供的网页，可以发现网页中出现了两个定义的win，即两张没有数据的图

# 开始训练，并给图送入实时更新的数据，以可视化训练过程
for epoch in range(epochs):

for batch_idx, (data, target) in enumerate(train_loader):
data = data.view(-1, 28*28)
data, target = data.to(device), target.cuda()

logits = net(data)
loss = criteon(logits, target)

optimizer.zero_grad()
loss.backward()
optimizer.step()

global_step += 1
# 给‘train_loss’送入数据
viz.line([loss.item()], [global_step], win='train_loss', update='append')

if batch_idx % 100 == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))

test_loss = 0
correct = 0
for data, target in test_loader:
data = data.view(-1, 28 * 28)
data, target = data.to(device), target.cuda()
logits = net(data)
test_loss += criteon(logits, target).item()

pred = logits.argmax(dim=1)
correct += pred.eq(target).float().sum().item()

# 给‘test’送入数据
viz.line([[test_loss, correct / len(test_loader.dataset)]],
[global_step], win='test', update='append')
# 可视化当前测试的数字图片
viz.images(data.view(-1, 1, 28, 28), win='x')
# 可视化测试结果
viz.text(str(pred.detach().cpu().numpy()), win='pred',
opts=dict(title='pred'))

test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))

执行成功后，在visdom网页可以看到实时更新的训练过程的数据变化

每一个epoch测试数据更新一次

• 点赞 1
• 收藏
• 分享
• 文章举报