百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

PyTorch学习笔记 6.可视化工具visdom

ztj100 2024-11-14 19:22 21 浏览 0 评论


一、visdom 简介

visdom 是Facebook 为PyTorch 打造的一款可视化工具,在2017年开源,代码地址:
https://github.com/fossasia/visdom,国内也可以使用其代码镜像:
https://gitee.com/mirrors/Visdom?_from=gitee_search

二、一些概念及简单使用

1. env 环境

visdom默认环境称为main,可以在使用时指定其它环境。不同用户、不同程序一般使用不同的环境。不同环境的可视化结果互相隔离、互不影响。

2. pane 窗格

可以大概理解为GUI编程的的一个Frame区域。一个环境里可以使用不同的窗格,每个窗格可视化或记录某一信息。

3. 安装

注意使用 visdom 要在操作系统GUI环境下。

pip install visdom

安装完以后,要通过下面命令启动visdom服务:

python -m visom.server
# 或直接用命令:
visdom

如果在linux环境下可以使用下面命令将服务放到后台运行:

nohup python -m visdom.server &

visdom会启动一个web服务,默认端口号8097。客户端与web server使用tornado通讯。

启动后,通过浏览器可以打开网址:
http://localhost:8097

4. 一些启动操作

-port: WEB服务端口
-hostname: 运行服务器的主机名
-base_url: 基础服务器网址(默认 = /)
-env_path: 重新加载环境的路径
-logging_level: 记录级别(默认 = INFO)。接受标准文本和数字记录值
-readonly: 标志以读取模式启动服务器
-enable_login: 需要用户名和密码才能登录
-force_new_cookie: 标记重置服务器使用的安全 Cookie,使当前登录 Cookie 无效。需要。-enable_login
-bind_local: 限制本机才能访问

5. 运行demo

克隆官网demo,运行里面的demo:

git clone https://gitee.com/mirrors/Visdom.git
cd Visdom
python3 demo.py 

在网页上显示:

三、一些输出项

1. Plotly提供的可视化API接口

vis.scatter : 2D 或 3D 散点图
vis.line : 线图
vis.stem : 茎叶图
vis.heatmap : 热力图
vis.bar : 条形图
vis.histogram: 直方图
vis.boxplot : 箱型图
vis.surf : 表面图
vis.contour : 轮廓图
vis.quiver : 绘出二维矢量场
vis.image : 图片
vis.text : 文本
vis.mesh : 网格图
vis.save : 序列化状态

2. 基础环境接口

Visdom 提供以下基础的环境接口:

vis.image : image
vis.images : list of images
vis.text : arbitrary HTML
vis.properties : properties grid
vis.audio : audio
vis.video : videos
vis.svg : SVG object
vis.matplot : matplotlib plot
vis.save : serialize state server-side

3. 环境操作API

关闭: 关闭一个窗口 id
vis.delete_env:删除指定环境
vis.win_exists:检查是否有窗口已经存在
vis.get_env_list:获取服务器上所有环境的列表
vis.win_hash: 获取窗口内容的 md5 哈希值
vis.get_window_data:获取窗口的当前数据
vis.check_connection:检查服务器是否连接
vis.replay_log:重播所提供的日志文件中的操作

4. 文本

import visdom
vis = visdom.Visdom(env=u'test1')

vis.text('Hello World', win='text1')

显示结果:


追回文本:

5. 绘制折线图

import visdom

import torch
from visdom import Visdom
import numpy as np

# 新建名为'test3'的环境
viz = Visdom(env='test3')

arr = np.random.rand(10)

# Numpy Array
viz.line(Y=arr)
# Python List
viz.line(Y=list(arr))
# PyTorch tensor
viz.line(Y=torch.Tensor(arr))

6. 绘制一个通用图(输入dict字典)

import visdom
vis = visdom.Visdom()

trace = dict(x=[1, 2, 3], y=[4, 5, 6], mode="markers+lines", type='custom',
             marker={'color': 'red', 'symbol': 104, 'size': "10"},
             text=["one", "two", "three"], name='1st Trace')
layout = dict(title="First Plot", xaxis={'title': 'x1'}, yaxis={'title': 'x2'})

vis._send({'data': [trace], 'layout': layout, 'win': 'mywin'})

7. 折线显示torch的一组数据

显示pytorch一段可视化代码:

import visdom
import torch
# 指定环境 
vis=visdom.Visdom(env=u'test1')

x = torch.arange(1,30,0.01)
y=torch.sin(x)
vis.line(X=x, Y=y, win='sinx', opts={'title':'y=sin(x)'})

输出结果:

8. 折线显示一个张量


import visdom
import torch
vis = visdom.Visdom(env=u'test2')

for i in range(10):
    vis.line(X=torch.FloatTensor([i]), Y=torch.FloatTensor([i**2]), win='loss', update='append' if i> 0 else None)
    

9. 显示一个全为1的矩阵图形

import visdom
import numpy as np

vis = visdom.Visdom(env='test4')
vis.text('test4', win='main')
vis.image(np.ones((3, 100, 100)))

10. append 增加数据

import visdom
import numpy as np
import time
vis = visdom.Visdom(env='test5')
# 利用update更新图像 update更新图像,append新增,replace 使用新数据,remove用于删除“name”中指定的跟踪
x = 0
y = 0
my_win = vis.line(X=np.array([x]), Y=np.array([y]), opts=dict(title='Update'))
for i in range(10):
    time.sleep(1)
    x += 1
    y += i
    vis.line(X=np.array([x]), Y=np.array([y]), win=my_win, update='append')

11. video显示视频

# coding=utf-8
import time
from visdom import Visdom
import requests
import os
import numpy as np

viz = Visdom(server='http://127.0.0.1', port=8097)
assert viz.check_connection()

# 视频下载可能比较慢,耐心等几分中
video_file = "demo.ogv"
if not os.path.exists(video_file):
    video_url = 'http://www.jplayer.org/video/ogv/Big_Buck_Bunny_Trailer.ogv'
    res = requests.get(video_url)
    with open(video_file, "wb") as f:
        f.write(res.content)

viz.video(videofile=video_file)
time.sleep(1000*10)

显示视频需要浏览器的支持, 我没有测试成功。

12. 生成彩色随机图片

import visdom
import torch

# 新建一个连接客户端
# 指定env = 'test1',默认是'main',注意在浏览器界面做环境的切换
vis = visdom.Visdom(env='test6')

# 绘制4张图片随机的彩色图片
vis.images(torch.randn(4, 3, 128, 128).numpy(), nrow=2, win='imgs', opts={'title': 'imgs'})

13. 其它一些输出项

  • vis.properties 在窗格中显示可编辑的属性
  • vis.audio 播放音频
  • vis.svg 绘制一个SVG对象
  • vis.matplot 此函数绘制Matplotlibplot
  • vis.plotlyplot 绘制一个Plotly图对象
  • vis.embeddings 使用Barnes-Hut t-SNE算法)可视化一组特征
  • vis.save 保存在visdom服务器上仍然有效的环境
  • vis.scatter 绘制2D或3D散点图
  • vis.stem 此函数绘制stem图
  • vis.heatmap 绘制热图
  • vis.bar 绘制规则的,堆叠的或分组的条形图
  • vis.histogram 绘制指定数据的直方图
  • vis.boxplot 绘制指定数据的箱形图
  • vis.surf 绘制表面图
  • vis.contour 绘制轮廓图
  • vis.quiver 绘制一个抖动图
  • vis.close 关闭特定的窗口
  • vis.delete_env 完全删除指定的环境
  • vis.fork_env 派生类似于UI功能的环境
  • vis.win_exists 该函数返回一个布尔值,指示服务器上是否已经存在指定窗口"win"
  • vis.get_env_list 此函数在调用时返回服务器上所有环境的列表
  • vis.win_hash 如果服务器上存在窗口"win"的内容,则此函数返回md5哈希值。否则返回None
  • vis.replay_log 此函数获取虚拟日志的内容,并将其重播到当前服务器以恢复状态或处理所有丢失的条目。

相关推荐

再说圆的面积-蒙特卡洛(蒙特卡洛方法求圆周率的matlab程序)

在微积分-圆的面积和周长(1)介绍微积分方法求解圆的面积,本文使用蒙特卡洛方法求解圆面积。...

python编程:如何使用python代码绘制出哪些常见的机器学习图像?

专栏推荐...

python创建分类器小结(pytorch分类数据集创建)

简介:分类是指利用数据的特性将其分成若干类型的过程。监督学习分类器就是用带标记的训练数据建立一个模型,然后对未知数据进行分类。...

matplotlib——绘制散点图(matplotlib散点图颜色和图例)

绘制散点图不同条件(维度)之间的内在关联关系观察数据的离散聚合程度...

python实现实时绘制数据(python如何绘制)

方法一importmatplotlib.pyplotaspltimportnumpyasnpimporttimefrommathimport*plt.ion()#...

简单学Python——matplotlib库3——绘制散点图

前面我们学习了用matplotlib绘制折线图,今天我们学习绘制散点图。其实简单的散点图与折线图的语法基本相同,只是作图函数由plot()变成了scatter()。下面就绘制一个散点图:import...

数据分析-相关性分析可视化(相关性分析数据处理)

前面介绍了相关性分析的原理、流程和常用的皮尔逊相关系数和斯皮尔曼相关系数,具体可以参考...

免费Python机器学习课程一:线性回归算法

学习线性回归的概念并从头开始在python中开发完整的线性回归算法最基本的机器学习算法必须是具有单个变量的线性回归算法。如今,可用的高级机器学习算法,库和技术如此之多,以至于线性回归似乎并不重要。但是...

用Python进行机器学习(2)之逻辑回归

前面介绍了线性回归,本次介绍的是逻辑回归。逻辑回归虽然名字里面带有“回归”两个字,但是它是一种分类算法,通常用于解决二分类问题,比如某个邮件是否是广告邮件,比如某个评价是否为正向的评价。逻辑回归也可以...

【Python机器学习系列】拟合和回归傻傻分不清?一文带你彻底搞懂

一、拟合和回归的区别拟合...

推荐2个十分好用的pandas数据探索分析神器

作者:俊欣来源:关于数据分析与可视化...

向量数据库:解锁大模型记忆的关键!选型指南+实战案例全解析

本文较长,建议点赞收藏,以免遗失。更多AI大模型应用开发学习视频及资料,尽在...

用Python进行机器学习(11)-主成分分析PCA

我们在机器学习中有时候需要处理很多个参数,但是这些参数有时候彼此之间是有着各种关系的,这个时候我们就会想:是否可以找到一种方式来降低参数的个数呢?这就是今天我们要介绍的主成分分析,英文是Princip...

神经网络基础深度解析:从感知机到反向传播

本文较长,建议点赞收藏,以免遗失。更多AI大模型应用开发学习视频及资料,尽在...

Python实现基于机器学习的RFM模型

CDA数据分析师出品作者:CDALevelⅠ持证人岗位:数据分析师行业:大数据...

取消回复欢迎 发表评论: