今天，让我们来放松一下大脑，学习点轻松的东西————可视化工具Visdom，它可以让我们在使用PyTorch训练模型的时候，可视化中间的训练情况，无论是loss变化还是中间结果比较。相比干呆呆的瞪着命令行，Visdom让我们的调参之路变得更加生动和活泼了.~
0. 前言
对于一些任务，尤其是难以收敛以及情况复杂的，如果在训练过程中，实时可视化训练情况，将会让我们对训练手段进行及时调整，更好的达到目标，避免不收敛、过拟合以及其它情况。这样，我们就可以在训练指标的判断基础上，加上感性的部分（可视化结果），从而实现双管齐下。
Visdom 是一个由FacebookResearch开发的一个灵活的可视化工具，可用来对实时（live）——如网络训练中产生的结果，富数据（rich data）——如HTML，进行组织和共享。支持Torch和Numpy还有PyTorch。
Visdom 也可以实现远程数据的可视化，对科学实验有很大帮助。我们可以远程的发送图片和数据，并进行在ui界面显示出来，检查实验结果，或者debug。
1. 总览（overview）
按照官方的说法，开发Visdom的目的是使得数据（无论是在远程还是本地）的可视化，用以支持和促进科学试验。
Visdom aims to facilitate visualization of (remote) data with an emphasis on supporting scientific experimentation.
2. 概念（concepts）
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）。
① Windows——窗口
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windows的container里面，你可以对这些windows（窗口）拖拽，缩放以及删除。
其中，windows存在于envs，envs的**status（状态）可以跨sessions（会话）**保存。
此外，windows还支持callbacks（回调函数），也就是说，当你在一个windows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windows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windows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。
③ State——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：
3. 安装（setup）& 启动例子（demo）
我用的是PyTorch 0.4.1，在Python2.7/3.x都可以。Visdom直接可以安装在这个环境下，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：
启动起来后，写一段测试代码如下，叫做demo.py，执行python demo.py：
import visdom
import numpy as np
vis = visdom.Visdom()
vis.text('Hello, world!')
vis.image(np.ones((3, 10, 10)))
得到结果：
4. 绘图例子
首先，要加载一些模块：
这里，直接上代码，具体关于visdom的各个API的说明，请查看visdom——A flexible tool for creating, organizing, and sharing visualizations of live, rich data. Supports Torch and Numpy.
4.1 image demo
其对应的结果分别为：
和
4.2 为windows注册callbacks
可以看到，我们可以跟这个带callbacks的windows进行交互：
当然，也可以加载音频和视频啦，还有WebGL等，这里就不展开了。
5. 参考资料
[1] Visdom 可视化工具 教程 （pytorch)
[2] Visdom 官方说明 （FacebookResearch)