RTX 3090显卡——Docker+Pycharm+visdom联调（Pytorch框架）

基于前面几篇博客，楼主搭建了基于RTX 3090显卡的深度学习环境，使用专业版pycharm在本地远程连接服务器中搭建的Docker容器，使用效果非常好，解决了在远程服务器中使用pycharm卡顿的现象，最重要的是极大的解放了生产力，各种环境不一致的繁琐配置问题一秒解决！！！最近在学习过程中，遇到了怎么对深度学习训练的过程做可视化的问题，楼主使用Facebook的亲儿子visdom解决了此问题，并将Docker+pycharm+visdom进行了联调，下面分享并记录实现过程：

1. 进入使用的Docker容器内下载visdom

docker exec -it {容器ID} bash
pip install visdom

2. 下载完成后，打开visdom服务

python -m visdom.server

此时，大概率会出现下面所示的问题，下载长时间无反应（没有遇到请跳过）

Checking for scripts.
Downloading scripts, this may take a little while

解决方案

3. 在Github上下载Static文件，上传至服务器的常用位置（建议大家可以使用WinSCP这个软件，可以直接在本地和服务器之间通过拖动互传文件），等待后续处理
4. 使用上一步下载的Static文件替换Docker内下载的visdom的同名文件

pip show visdom  #在下载visdom的docker内运行，目的是查询visdom的安装位置，为复制做准备

docker cp /home/user/static 56c6:/opt/conda/lib/python3.6/site-packages/visdom # 容器外运行

解释：楼主将下载的static文件放在了/home/user中，所以/home/user/static为来源文件，56c6是容器的ID前四位，可以用来表示容器，/opt/…/visdom为目的文件。上述过程完成了从容器外部向容器内部复制文件的操作，从容器内向容器外复制文件的操作可以将3、4项的位置互换。

5. 重新进入容器，打开visdom服务

python -m visdom.server

此时，已经解决了第二步出现的问题，服务成功打开，当时忘了截图，引用一张别人的图作为参考，复制最后一行的地址到服务器的浏览器中， 在pycharm中运行测试代码，浏览器中会就会显示可视化的结果。（文末会给一段Minist数据集的测试代码。）
大家也看到我加粗的地方，现在实现的这个程度只能在服务器远端查看可视化的结果，这对我们来说是很不方便的，为了实现可视化的本地查看，后续我采用MobaXterm的端口转发工具，完成了本地可视化，需要的同学可以查看我的下一篇文章《开启Docker内Visdom的映射端口，使用MobaXterm将其转发到本地实现本地化动态监视》

Minist数据集，pycharm+docker+visdom+pytorch联调测试代码：

import  torch
import  torch.nn as nn
import  torch.nn.functional as F
import  torch.optim as optim
from    torchvision import datasets, transforms

from visdom import Visdom

batch_size=200
learning_rate=0.01
epochs=10

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                        #transforms.Normalize((0.1307,), (0.3081,)) 加上这句后visdom的可视化中图片不能正常显示，不知道为啥，有知道的童鞋可以留言告诉我哈
                   ])),
    batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
         #transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=batch_size, shuffle=True)



class MLP(nn.Module):

    def __init__(self):
        super(MLP, self).__init__()

        self.model = nn.Sequential(
            nn.Linear(784, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 10),
            nn.LeakyReLU(inplace=True),
        )

    def forward(self, x):
        x = self.model(x)

        return x

device = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
criteon = nn.CrossEntropyLoss().to(device)

viz = Visdom()

viz.line([0.], [0.], win='train_loss', opts=dict(title='train loss'))
viz.line([[0.0, 0.0]], [0.], win='test', opts=dict(title='test loss&acc.',
                                                   legend=['loss', 'acc.']))
global_step = 0

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):
        data = data.view(-1, 28*28)
        data, target = data.to(device), target.cuda()

        logits = net(data)
        loss = criteon(logits, target)

        optimizer.zero_grad()
        loss.backward()
        # print(w1.grad.norm(), w2.grad.norm())
        optimizer.step()

        global_step += 1
        viz.line([loss.item()], [global_step], win='train_loss', update='append')

        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))


    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data = data.view(-1, 28 * 28)
        data, target = data.to(device), target.cuda()
        logits = net(data)
        test_loss += criteon(logits, target).item()

        pred = logits.argmax(dim=1)
        correct += pred.eq(target).float().sum().item()

    viz.line([[test_loss, correct / len(test_loader.dataset)]],
             [global_step], win='test', update='append')
    viz.images(data.view(-1, 1, 28, 28), win='x')
    viz.text(str(pred.detach().cpu().numpy()), win='pred',
             opts=dict(title='pred'))

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))