概述

Visdom:一個靈活的可視化工具，可用來對于 實時，富數據的 創建，組織和共享。支持Torch和Numpy還有pytorch。

visdom可以實現遠程數據的可視化，對科學實驗有很大幫助。我們可以遠程的發送圖片和數據，并進行在ui界面顯示出來，檢查實驗結果，或者debug.

要用這個先要安裝，對于python模塊而言，安裝都是蠻簡單的：

pip install visdom

安裝完每次要用直接輸入代碼打開：

python -m visdom.server

然后根據提示在瀏覽器中輸入相應地址即可，默認地址為：http://localhost:8097/

使用示例1. vis.text(), vis.image()

import visdom # 添加visdom庫import numpy as np # 添加numpy庫vis = visdom.Visdom(env=’test’) # 設置環境窗口的名稱,如果不設置名稱就默認為mainvis.text(’test’, win=’main’) # 使用文本輸出vis.image(np.ones((3, 100, 100))) # 繪制一幅尺寸為3 * 100 * 100的圖片，圖片的像素值全部為1

其中:

visdom.Visdom(env=‘命名新環境’)vis.text(‘文本’, win=‘環境名’)vis.image(‘圖片’，win=‘環境名’)

2. 畫直線 .line() 一條

import visdomimport numpy as npvis = visdom.Visdom(env=’my_windows’) # 設置環境窗口的名稱,如果不設置名稱就默認為mainx = list(range(10))y = list(range(10))# 使用line函數繪制直線 并選擇顯示坐標軸vis.line(X=np.array(x), Y=np.array(y), opts=dict(showlegend=True))

vis.line([x], [y], opts=dict(showlegend=True)[展示說明])

兩條

import visdomimport numpy as npvis = visdom.Visdom(env=’my_windows’)x = list(range(10))y = list(range(10))z = list(range(1,11))vis.line(X=np.array(x), Y=np.column_stack((np.array(y), np.array(z))), opts=dict(showlegend=True))

vis.line([x], [y=np.column_stack((np.array(y),np.array(z),np.array(還可以增加)))])np.column_stack(a,b), 表示兩個矩陣按列合并

sin(x)曲線

import visdomimport torchvis = visdom.Visdom(env=’sin’)x = torch.arange(0, 100, 0.1)y = torch.sin(x)vis.line(X=x,Y=y,win=’sin(x)’,opts=dict(showlegend=True))

持續更新圖表

import visdomimport numpy as npvis = visdom.Visdom(env=’my_windows’)# 利用update更新圖像x = 0y = 0my_win = vis.line(X=np.array([x]), Y=np.array([y]), opts=dict(title=’Update’))for i in range(10): x += 1 y += i vis.line(X=np.array([x]), Y=np.array([y]), win=my_win, update=’append’)

使用“append”追加數據，“replace”使用新數據，“remove”用于刪除“name”中指定的跟蹤。

vis.images()

import visdomimport torch# 新建一個連接客戶端# 指定env = ’test1’，默認是’main’,注意在瀏覽器界面做環境的切換vis = visdom.Visdom(env=’test1’)# 繪制正弦函數x = torch.arange(1, 100, 0.01)y = torch.sin(x)vis.line(X=x,Y=y, win=’sinx’,opts={’title’:’y=sin(x)’})# 繪制36張圖片隨機的彩色圖片vis.images(torch.randn(36,3,64,64).numpy(),nrow=6, win=’imgs’,opts={’title’:’imgs’})

繪制loss函數的變化趨勢

#繪制loss變化趨勢，參數一為Y軸的值，參數二為X軸的值，參數三為窗體名稱，參數四為表格名稱，參數五為更新選項，從第二個點開始可以更新vis.line(Y=np.array([totalloss.item()]), X=np.array([traintime]),win=(’train_loss’),opts=dict(title=’train_loss’),update=None if traintime == 0 else ’append’)

對于Visdom更詳細的代碼示例詳見 鏈接1

更多介紹詳見 鏈接2

實際代碼

此代碼出自CycleGAN的 utils.py 里一個實現

# 記錄訓練日志，顯示生成圖，畫loss曲線 的類class Logger(): def __init__(self, n_epochs, batches_epoch):’’’:param n_epochs: 跑多少個epochs:param batches_epoch: 一個epoch有幾個batches’’’self.viz = Visdom() # 默認env是main函數self.n_epochs = n_epochsself.batches_epoch = batches_epochself.epoch = 1 # 當前epoch數self.batch = 1 # 當前batch數self.prev_time = time.time()self.mean_period = 0self.losses = {}self.loss_windows = {} # 保存loss圖的字典集合self.image_windows = {} # 保存生成圖的字典集合 def log(self, losses=None, images=None):self.mean_period += (time.time() - self.prev_time)self.prev_time = time.time()sys.stdout.write(’rEpoch %03d/%03d [%04d/%04d] -- ’ % (self.epoch, self.n_epochs, self.batch, self.batches_epoch))for i, loss_name in enumerate(losses.keys()): if loss_name not in self.losses:self.losses[loss_name] = losses[loss_name].data.item() #這里losses[loss_name].data是個tensor（包在值外面的數據結構），要用item方法取值 else:self.losses[loss_name] = losses[loss_name].data.item() if (i + 1) == len(losses.keys()):sys.stdout.write(’%s: %.4f -- ’ % (loss_name, self.losses[loss_name]/self.batch)) else:sys.stdout.write(’%s: %.4f | ’ % (loss_name, self.losses[loss_name]/self.batch))batches_done = self.batches_epoch * (self.epoch - 1) + self.batchbatches_left = self.batches_epoch * (self.n_epochs - self.epoch) + self.batches_epoch - self.batchsys.stdout.write(’ETA: %s’ % (datetime.timedelta(seconds=batches_left*self.mean_period/batches_done)))# 顯示生成圖for image_name, tensor in images.items(): # 字典.items()是以list形式返回鍵值對 if image_name not in self.image_windows:self.image_windows[image_name] = self.viz.image(tensor2image(tensor.data), opts={’title’:image_name}) else:self.viz.image(tensor2image(tensor.data), win=self.image_windows[image_name], opts={’title’:image_name})# End of each epochif (self.batch % self.batches_epoch) == 0: # 一個epoch結束時 # 繪制loss曲線圖 for loss_name, loss in self.losses.items():if loss_name not in self.loss_windows: self.loss_windows[loss_name] = self.viz.line(X=np.array([self.epoch]), Y=np.array([loss/self.batch]), opts={’xlabel’:’epochs’, ’ylabel’:loss_name, ’title’:loss_name})else: self.viz.line(X=np.array([self.epoch]), Y=np.array([loss/self.batch]), win=self.loss_windows[loss_name], update=’append’) #update=’append’可以使loss圖不斷更新# 每個epoch重置一次lossself.losses[loss_name] = 0.0 # 跑完一個epoch，更新一下下面參數 self.epoch += 1 self.batch = 1 sys.stdout.write(’n’)else: self.batch += 1

train.py中調用代碼是

# 繪畫Loss圖logger = Logger(opt.n_epochs, len(dataloader))for epoch in range(opt.epoch, opt.n_epochs): for i, batch in enumerate(dataloader):......# 記錄訓練日志 # Progress report (http://localhost:8097) 顯示visdom畫圖的網址 logger.log({’loss_G’: loss_G, ’loss_G_identity’: (loss_identity_A + loss_identity_B),’loss_G_GAN’: (loss_GAN_A2B + loss_GAN_B2A),’loss_G_cycle’: (loss_cycle_ABA + loss_cycle_BAB), ’loss_D’: (loss_D_A + loss_D_B)}, images={’real_A’: real_A, ’real_B’: real_B, ’fake_A’: fake_A, ’fake_B’: fake_B})

到此這篇關于python第三方庫visdom的使用入門教程的文章就介紹到這了,更多相關python visdom使用內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！