visdom可視化pytorch訓練過程

1、前言

　　在深度學習模型訓練的過程當中，經常須要實時監聽並可視化一些數據，如損失值loss，正確率acc等。在Tensorflow中，最常使用的工具非Tensorboard莫屬；在Pytorch中，也有相似的TensorboardX，但聽說其在張量數據加載的效率方面不如visdom。visdom是FaceBook開發的一款可視化工具，其實質是一款在網頁端的web服務器，對Pytorch的支持較好。

2、安裝和啓動

　　visdom的安裝比較簡單，能夠直接使用pip命令。

# visdom 安裝指令
pip install visdom

 　　執行安裝命令後，能夠執行如下命令啓動visdom。

# 啓動 visdom web服務器
python -m visdom.server

　　若安裝成功，則會返回一個網頁地址；若報錯，則安裝失敗，能夠自行去github上下載源碼安裝。

 

　　將網址複製後在瀏覽器中打開，就能夠看到visdom的主界面。

3、簡單使用

　　這裏以監聽損失值loss數據，準確率acc數據及可視化圖像等方面簡要介紹visdom的使用。

3.1 監聽單一數據loss

　　在模型訓練過程當中，loss是最常監聽的數據，這裏就以loss的監聽爲例，使用visdom可視化loss的變化過程。爲了使代碼更加簡潔，這裏以for循環代替模型逐輪訓練的過程，loss值則在每一個循環內部隨機產生。

from visdom import Visdom
import numpy as np
import time

# 將窗口類實例化
viz = Visdom() 

# 建立窗口並初始化
viz.line([0.], [0], win='train_loss', opts=dict(title='train_loss'))

for global_steps in range(10):
    # 隨機獲取loss值
    loss = 0.2 * np.random.randn() + 1
    # 更新窗口圖像
    viz.line([loss], [global_steps], win='train_loss', update='append')
    time.sleep(0.5)

 

3.2 同時監聽loss和acc

from visdom import Visdom
import numpy as np
import time

# 將窗口類實例化
viz = Visdom() 

# 建立窗口並初始化
viz.line([[0.,0.]], [0], win='train', opts=dict(title='loss&acc', legend=['loss', 'acc']))
for global_steps in range(10):
    # 隨機獲取loss和acc
    loss = 0.1 * np.random.randn() + 1
    acc = 0.1 * np.random.randn() + 0.5
    # 更新窗口圖像
    viz.line([[loss, acc]], [global_steps], win='train', update='append')
    # 延時0.5s
    time.sleep(0.5)

 

3.3 可視化圖像

　　在處理圖像任務時，還能夠用visdom對圖像進行可視化。

from visdom import Visdom
import numpy as np
import cv2
import torch

# 使用opencv讀取數據
img = cv2.imread('pkq.jpg')
# opencv按照BGR讀取，而visdom默認按照RGB顯示,所以要進行通道轉換
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# visdom相似於pytorch中的卷積模型，接收的數據都要求通道數在前
img = np.transpose(img, (2, 0, 1))
img = torch.from_numpy(img)
# 可視化圖像
viz.image(img, win='pkq')

　　visdom能夠同時在主面板中打開多個窗口，執行上面3個可視化程序後，主面板以下所示：