Pytorch:visdom介绍

一、介绍

在深度学习领域，模型训练是一个必须的过程，因此常常需要实时监听并可视化一些数据，如损失值loss，正确率acc等。在Tensorflow中，最常使用的工具非Tensorboard莫属；在Pytorch中，也有类似的TensorboardX，但据说其在张量数据加载的效率方面不如visdom。visdom是FaceBook开发的一款可视化工具，其实质是一款在网页端的web服务器，对Pytorch的支持较好。

Visdom中有两个重要概念：

• env：环境。不同环境的可视化结果相互隔离，互不影响，在使用时如果不指定env，默认使用main。不同用户、不同程序一般使用不同的env。
• pane：窗格。窗格可用于可视化图像、数值或打印文本等，其可以拖动、缩放、保存和关闭。一个程序中可使用同一个env中的不同pane，每个pane可视化或记录某一信息。

二、如何安装及启动

2.1 安装

安装命令：

pip install visdom

安装成功的界面如下图所示

 安装成功后，我们需要将visdom启动。

2.2 启动

类似于TensorFlow的TensorBoard，要使用Visdom，就要先在终端开启监听命令。

vidsom启动命令：

python -m visdom.server

或者通过如下命令

nohup python -m visdom.server &

将服务放至后台运行。

visdom成功启动后，会返回一个网址（如下图）。根据显示的网址然后在浏览器里输入：http://localhost:8097 进行登录。

 进入网址后，浏览器会显示visdom的主界面。

  python终端会实时显示数据交互过程：

 三、Visdom可视化神经网络训练过程

首先，我们需要导入Visdom及所需的其它库

from visdom import Visdom
import numpy as np
import time

Visdom可视化神经网络的训练过程大致分为3步：

1. 实例化一个窗口
2. 初始化窗口的信息
3. 更新监听的信息

3.1 监听单一数据

示例：监听train_loss的变化

# 实例化一个窗口
wind = Visdom()
# 初始化窗口信息
wind.line([0.],  # Y的第一个点的坐标
          [0.],  # X的第一个点的坐标
          win='train_loss',  # 窗口的名称
          opts=dict(title='train_loss')  # 图像的标例
          )
# 更新数据
for step in range(10):
    # 随机获取loss,这里只是模拟实现
    loss = np.random.randn() * 0.5 + 2
    wind.line([loss], [step], win='train_loss', update='append')
    time.sleep(0.5)

运行结果：此时打开visdom的主界面，会发现窗口train_loss已经显示出来了

3.2 监听多条数据

示例：监听train_loss和acc
# 实例化窗口

from visdom import Visdom
import numpy as np
import time

# 实例化窗口
wind = Visdom()
# 初始化窗口参数
wind.line([[0., 0.]], [0.], win='train', opts=dict(title='loss&acc', legend=['loss', 'acc']))
# 更新窗口数据
for step in range(10):
    loss = 0.2 * np.random.randn() + 1
    acc = 0.1 * np.random.randn() + 0.5
    wind.line([[loss, acc]], [step], win='train', update='append')
    time.sleep(0.5)

运行结果

书籍例子：

import torch as t
import visdom

# 新建一个连接客户端
# 指定env = u'test1'，默认端口为8097，host是‘localhost'
vis = visdom.Visdom(env=u'test1',use_incoming_socket=False)

x = t.arange(1, 30, 0.01)
y = t.sin(x)
vis.line(X=x, Y=y, win='sinx', opts={'title': 'y=sin(x)'})

结果输出：

 

 3.3 可以通过update参数（append/new）控制数据更新

代码：

import time
import cv2
import visdom
import numpy as np
import torch as t

vis = visdom.Visdom(env="image test")

# append 追加数据
for ii in range(0, 10):
    # y = x
    x = t.Tensor([ii])
    y = x
    vis.line(X=x, Y=y, win='polynomial', update='append' if ii > 0 else None)

# updateTrace 新增一条线
x = t.arange(0, 9, 0.1)
y = (x ** 2) / 9
vis.line(X=x, Y=y, win='polynomial', name='this is a new Trace', update='new')

结果：

下面逐一分析这几行代码：

• vis = visdom.Visdom(env=u'test1')，用于构建一个客户端，客户端除指定env之外，还可以指定host、port等参数。

• vis作为一个客户端对象，可以使用常见的画图函数，包括：

  • line：类似Matlab中的plot操作，用于记录某些标量的变化，如损失、准确率等
  • image：可视化图片，可以是输入的图片，也可以是GAN生成的图片，还可以是卷积核的信息
  • text：用于记录日志等文字信息，支持html格式
  • histgram：可视化分布，主要是查看数据、参数的分布
  • scatter：绘制散点图
  • bar：绘制柱状图
  • pie：绘制饼状图
  • 更多操作可参考visdom的github主页

这里主要介绍深度学习中常见的line、image和text操作。

Visdom同时支持PyTorch的tensor和Numpy的ndarray两种数据结构，但不支持Python的int、float等类型，因此每次传入时都需先将数据转成ndarray或tensor。上述操作的参数一般不同，但有两个参数是绝大多数操作都具备的：

• win：用于指定pane的名字，如果不指定，visdom将自动分配一个新的pane。如果两次操作指定的win名字一样，新的操作将覆盖当前pane的内容，因此建议每次操作都重新指定win。
• opts：选项，接收一个字典，常见的option包括title、xlabel、ylabel、width等，主要用于设置pane的显示格式。

四、Visdom可视化图像

1、案例：在处理图像数据时，可以使用visdom对图像进行可视化。

from visdom import Visdom
import cv2
import numpy as np
import torch
import os
# 新建一个连接客户端
# 指定env = u'test1'，默认端口为8097，host是‘localhost'
vis = Visdom(env=u'test1',use_incoming_socket=False)

# 读入图像
path1 = os.getcwd()

print("Current Path: {0}".format(path1))
image = cv2.imread('gudongche-01.jpg')
# # openCV按照BGR读取，而visdom 默认按照RGB显示,因此要进行通道转换
img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# visdom类似于pytorch中的卷积模型，接收的数据都要求通道数在前
img = np.transpose(img, (2, 0, 1))
# 将numpy类型转换为torch类型
img = torch.from_numpy(img)
# 可视化图像
vis.image(img, win='pkq')

运行结果：

 2、其他举例

1）显示图像 （加了可视化配置参数opts）

图像显示底层调用的PIL库。但平时更喜欢用opencv，此处使用cv2，PIL使用更方便不用转换。

import time
import cv2
import visdom
import numpy as np

viz = visdom.Visdom(env="image test")


img = cv2.imread("gudongche-01.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = np.transpose(img, (2, 0, 1))
# img = img.astype(np.float32) / 255
print(img.shape, img.dtype)
# image demo
viz.image(
    img,
    opts={'title': 'Random!', 'caption': 'Click me!'},
)

2）image图像显示与更新窗口显示：（在一个image窗口中不断更新显示图像）

代码：

import time
import cv2
import visdom
import numpy as np

viz = visdom.Visdom(env="image test")


img = cv2.imread("gudongche-01.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = np.transpose(img, (2, 0, 1))
# img = img.astype(np.float32) / 255
print(img.shape, img.dtype)
# image demo
image = viz.image(np.random.rand(3, 256, 256), opts={'title': 'image1', 'caption': 'How random.'})
for i in range(100):
    viz.image(np.random.randn(3, 256, 256), win=image)
    time.sleep(0.5)

结果：

 3）images多个图像显示与更新：（窗口显示生成20个大小为64*64的三通道图）

代码：

import time
import cv2
import visdom
import numpy as np

viz = visdom.Visdom(env="image test")


img = cv2.imread("gudongche-01.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = np.transpose(img, (2, 0, 1))
# img = img.astype(np.float32) / 255
print(img.shape, img.dtype)
# image demo
images = viz.images(
    np.random.randn(20, 3, 64, 64),
    opts=dict(title='Random images', caption='How random.', nrow=5)
)
for i in range(100):
    # 可视化20张随机的彩色图片，每一行5张
    viz.images(np.random.randn(20, 3, 64, 64), win=images, nrow=5)
    time.sleep(0.5)

依赖数据大小控制张数：images接收一个四维向量N×C×H×W，N是张数，C可以是1或3，分别代表黑白和彩色图像。

结果：

 

 参考：

1、visdom image显示图像（四）_alex1801的博客-CSDN博客_visdom展示图片

2、Visdom可视化学习笔记(一):通过visdom画曲线和显示图片总结_ZZY_dl的博客-CSDN博客_visdom显示图片