PyTorch可视化工具Visdom实战

Visdom是一个灵活的可视化工具,可以实时显示新创建的数据,支持Torch和Numpy,是深度学习框架PyTorch的可视化工具,做出的图像也较为美观,本文总结了Visdom的基础画图操作。

安装方式

在Python3环境下,使用pip直接安装Visdom模块。

pip install visdom

然后命令行启动服务器

python -m visdom.server

一旦启动了服务器后,就可以通过浏览器访问***http://localhost:8097***来访问Visdim,localhost可以替换为Visdom服务器的托管地址。

启动服务器可能,浏览器访问时,可能出现蓝屏现象,这是由于css等文件的缺失,可以参考卡布奇其诺博客来下载css文件并直接替换visdom包中的static文件来正常显示。

1. 显示文字

from visdom import Visdom
vis= Visdom()
vis.text('Hello, world !')

效果:

在这里插入图片描述

2. 显示图片

from visdom import Visdom
import numpy as np
vis= Visdom()

# 显示单图片
vis.image(
    np.random.rand(3, 256, 256),
    opts=dict(title='单图片', caption='图片标题1'),
)

# 显示网格图片
vis.images(
    np.random.randn(20, 3, 64, 64),
    opts=dict(title='网格图像', caption='图片标题2')
)

效果:

在这里插入图片描述

3. 画出散点图

from visdom import Visdom
import numpy as np

vis = Visdom()

# 2D scatterplot with custom intensities (red channel)
vis.scatter(
    X =  np.random.rand(255, 2),
    Y = (np.random.randn(255) > 0) + 1 ,
   opts=dict(
        markersize=10,
        markercolor=np.floor(np.random.random((2, 3)) * 255),
	legend=['Men', 'Women']
    ),
)

效果:

在这里插入图片描述

4. 画出线图

from visdom import Visdom
import numpy as np

vis = Visdom()

# line plots
Y = np.linspace(-5, 5, 100)
vis.line(
    Y=np.column_stack((Y * Y, np.sqrt(Y + 5))),
    X=np.column_stack((Y, Y)),
    opts=dict(markers=False),
)

效果:

在这里插入图片描述

5. 画茎叶图

from visdom import Visdom
import numpy as np
import math

vis = Visdom()

# stemplot
Y = np.linspace(0, 2 * math.pi, 70)
X = np.column_stack((np.sin(Y), np.cos(Y)))
vis.stem(
    X=X,
    Y=Y,
    opts=dict(legend=['Sine', 'Cosine'])
)

效果:

在这里插入图片描述

6. 画热力图

from visdom import Visdom
import numpy as np
import math

vis = Visdom()

vis.heatmap(
    X=np.outer(np.arange(1, 6), np.arange(1, 11)),
    opts=dict(
        columnnames=['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'],
        rownames=['y1', 'y2', 'y3', 'y4', 'y5'],
        colormap='Electric',
    )
)

效果:

在这里插入图片描述

7. 画普通、堆叠、分组条形图

from visdom import Visdom
import numpy as np
import math

vis = Visdom()

# 单个条形图
vis.bar(X=np.random.rand(20))

# 堆叠条形图
vis.bar(
    X=np.abs(np.random.rand(5, 3)),
    opts=dict(
        stacked=True,
        legend=['Sina', '163', 'AliBaBa'],
        rownames=['2013', '2014', '2015', '2016', '2017']
    )
)

# 分组条形图
vis.bar(
    X=np.random.rand(20, 3),
    opts=dict(
        stacked=False,
        legend=['A', 'B', 'C']
    )
)

效果:

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

8. 画数据直方图

from visdom import Visdom
import numpy as np

vis = Visdom()

vis.histogram(X=np.random.rand(10000), opts=dict(numbins=20))

效果:

在这里插入图片描述

9. 画箱线图

from visdom import Visdom
import numpy as np

vis = Visdom()

# boxplot
X = np.random.rand(100, 2)
X[:, 1] += 2

vis.boxplot(
    X=X,
    opts=dict(legend=['Men', 'Women'])
)

效果:

在这里插入图片描述

10. 画表面图

from visdom import Visdom
import numpy as np

vis = Visdom()

x = np.tile(np.arange(1, 101), (100, 1))
y = x.transpose()
X = np.exp((((x - 50) ** 2) + ((y - 50) ** 2)) / -(20.0 ** 2))

vis.surf(X=X, opts=dict(colormap='Hot'))

效果:

在这里插入图片描述

11. 画轮廓图

from visdom import Visdom
import numpy as np

vis = Visdom()

x = np.tile(np.arange(1, 101), (100, 1))
y = x.transpose()
X = np.exp((((x - 50) ** 2) + ((y - 50) ** 2)) / -(20.0 ** 2))

vis.contour(X=X, opts=dict(colormap='Viridis'))

效果:

在这里插入图片描述

12. 画出网格图

from visdom import Visdom
import numpy as np

vis = Visdom()

# mesh plot
x = [0, 0, 1, 1, 0, 0, 1, 1]
y = [0, 1, 1, 0, 0, 1, 1, 0]
z = [0, 0, 0, 0, 1, 1, 1, 1]
X = np.c_[x, y, z]
i = [7, 0, 0, 0, 4, 4, 6, 6, 4, 0, 3, 2]
j = [3, 4, 1, 2, 5, 6, 5, 2, 0, 1, 6, 3]
k = [0, 7, 2, 3, 6, 7, 1, 1, 5, 5, 7, 6]
Y = np.c_[i, j, k]

vis.mesh(X=X, Y=Y, opts=dict(opacity=0.5))

效果:

在这里插入图片描述

13. 绘制SVG对象

from visdom import Visdom
import numpy as np

vis = Visdom()

svgstr = """
<svg height="300" width="300">
  <ellipse cx="80" cy="80" rx="50" ry="30"
   style="fill:red;stroke:purple;stroke-width:2" />
  抱歉,你的浏览器不支持在线显示SVG对象.
</svg>
"""
vis.svg(
    svgstr=svgstr,
    opts=dict(title='SVG图像')
)

效果:

在这里插入图片描述

  • 3
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PyTorch中,可以使用不同的方法来可视化模型和训练过程。引用\[1\]中的代码展示了如何查看卷积层的参数,并将其可视化。首先,通过导入所需的库和模型,可以初始化一个预训练的模型,如vgg11。然后,可以使用字典的形式获取模型中的任意一层,如conv1。通过将该层的参数单独提取出来,并保持其不发生变化,可以获取卷积核的参数。最后,可以使用循环将该卷积层的所有卷积核绘制出来。 另外,引用\[2\]和\[3\]中的代码展示了如何在训练过程中添加想要可视化的内容。首先,可以设置优化器和损失函数。然后,在每个epoch和每个batch中,可以计算损失并进行反向传播和优化。在每个print_step个batch之后,可以记录训练集损失值、测试集准确率和训练数据的可视化图像。此外,还可以使用直方图可视化网络参数的分布情况。 总结起来,PyTorch提供了丰富的可视化工具和方法,可以帮助我们更好地理解模型和训练过程。 #### 引用[.reference_title] - *1* [pytorch 可视化](https://blog.csdn.net/weixin_45456178/article/details/127452897)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [PyTorch【8】PyTorch可视化工具](https://blog.csdn.net/m0_63462829/article/details/127153454)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值