PyTorch可视化——tensorboard、visdom
一、pytorch与tensorboard结合使用
Tensorboard
Tensorboard一般都是作为tf的可视化工具,与tf深度集成,它能够展现tf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,只要保存的数据遵循一定的格式,Tensorboard就可以读取这些数据并进行可视化
-
将网络结构、动态数值以 protocol buffer 格式写到文件里。
-
读取网络结构、读取动态数值,并展示在浏览器中。
Tensorboard_logger
Tensorboard_logger是TeamHGMemex开发的一款轻量级工具,它将Tensorboard的工具抽取出来,使得非tf用户也可以使用它进行可视化,不过功能有限,但一些常用的还是可以支持。
安装
安装tensorflow:建议安装cpu-onlu版本(因为本人pytorch安装的是GPU版本,避免在同一个虚拟环境下包冲突),可以选择直接pip安装
安装tensorboard_logger:安装十分简单,可以通过pip install tensorboard_logger命令直接安装
如何使用
1.首先启动Tensorboard,命令格式如下:
tensorboard –logdir <your/running/dir> –port <your_bind_port>
我这里使用的命令是:
tensorboard –logdir /home/tenyun/Documents/Githome/pytorch_home/ –port 1234
这里选择端口的时候,一定要注意,不能选择被占用的端口
启动成功后,控制台如下输出:
TensorBoard 1.11.0 at http://TenYun:1234(Press CTRL+C to quit)
2.代码中使用
from tensorboard_logger import Logger
# 构建logger对象,logdir用来指定log文件的保存路径
# flush_secs用来指定刷新同步间隔
logger = Logger(logdir=”/home/tenyun/Documents/Githome/pytorch_home”, flush_secs=2)
# 模拟函数
for ii in range(100):
logger.log_value(‘loss’, 10-ii**0.5, step=ii)
logger.log_value(‘accuracy’, ii**0.5/10, step=ii)
3.查看结果
运行以后,到浏览器输入: http://localhost:1234,注意换成你绑定的端口,可以看到结果如下:
二、visdom
基本概念
Visdom有一些简单的特性,我们可以根据这个特性来构建属于自己的特定的例程(use-cases)。
①Panes(窗格)
当你刚刚打开UI会发现,这是个白板,只有一片蓝色,别的啥都没有…。我们可以用图形、图像和文本填充它。注意,无论是文本还是图像、视频,都需要将这些内容放在一个叫做pane的container里面,你可以对这些pzne(窗口)拖拽,缩放以及删除。
其中,pane存在于envs,envs的 status(状态)可以跨sessions(会话)保存。
此外,pane还支持callbacks(回调函数),也就是说,当你在一个pane上输入一些内容, 如果后端写好了对应的处理逻辑,那么callbacks会要求Visdom对象接收前端传来的输入给后端的处理代码,并将处理后的结果返回到前端显示,也就是pane可以支持交互~
② Enviroments环境
UI的左上角,有一条这样的东西:这是可视化空间所在的环境(envs)——可以理解为①中pane所在的context,默认情况下,每个用户会拥有一个叫做main的env。
如果有额外的需求,比如要在不同的环境中展示多种层次的内容,用户可以在UI(前端)或者后端创建新的env。环境变量的状态被长期保存。
可以看到,我们可以在UI任意的切换不同的环境(env)。当你选择了一个新的env,visdom将会向服务器请求存在于该env中的图像。
在 env selector(环境选择器)后面,有一个小的橡皮擦eraser button,用户可以使用它来清除当前env下的所有内容。如果你的展示是动态的,也就是数据源源不断需要展示,那么后续的图像会 继续展示在此env下。
③State——状态
当你在某些env下创建了一些可视化图像内容后,服务器会自动缓存这些可视化结果(设置checkpoint)。如果你重新加载此页面或者重新打开服务器,这些图像内容会重现的。
当然,你也可以手动的保存这些env的状态:
- save: 可以序列化env的状态,并以json文件保持在磁盘中。
- fork: 当输入一个新的名字,会复制当前的状态到这个new env下。
④ Filter——过滤
这个功能挺容易理解的:就是根据你在filter窗口的输入(右上角)对当前env下所有windows的title进行字符串正则匹配,只显示该env下跟输入的图像名字匹配的图像
总结:
明确几个名词:
-
env:看作一个大容器,在代码中是 vis=visdom.Visdom(env=”main)
-
pane: 就是用于绘图的小窗口,在代码中叫 window
使用Visdom就是在env中的pane上画图
区别参数env和win:
- env是Visdom的参数,指定环境的名字,默认有个叫main的环境
- win(和opts)是vis中几乎所有函数都有的参数,指定pane的名字,建议每次操作都指定win
补充:
- opts用来可视化设置,接收一个字典。通用的一些配置:主要用于设置pane的显示格式
options.title
options.xlabel
options.ylabel
options.width
-
避免覆盖之前的数值:
1.指定参数 update=‘append’
2.使用vis.updateTrace方法更新图
安装(setup)& 启动例子(demo)
我的是python3.x,直接pip install visdom即可。
安装后,不需要代码写好,就可以在命令行里面跑visdom。
启动方法: python -m visdom.server或者直接敲visdom,刚执行的时候,会开始下载一些脚本,需要等待一会
- import visdom
- import numpy as np
- vis = visdom.Visdom()
- vis.text('Hello, world!')
- vis.image(np.ones((3, 10, 10)))
- import torch as t
- import visdom as vis
- v=vis.Visdom(env='linetest')
- x=t.arange(1,30,0.01)
- y=t.sin(x)
- v.line(X=x,Y=y,win='sinx',opts={'title':'y.sin(x)'})
可视化接口
Visdom支持下列API。由Plotly提供可视化支持。
-
vis.scatter : 2D 或 3D 散点图
-
vis.line : 线图
版权声明:本文为yh-blog原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。