Pytorch可视化之Visdom怎么用

这篇文章主要为大家展示了“PyTorch可视化之Visdom怎么用”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“Pytorch可视化之Visdom怎么用”这篇文章吧。

一、Visdom简介

Visdom是由Facebook公司开发的一个进行数据可视化的WEB应用程序，支持Torch、Numpy、Pytorch这3个库的创建、管理和分享实时的数据可视化结果。

二、安装和运行

可直接使用pip进行安装，命令如下：

pip install visdom

安装过程如下：

安装完成后，运行下面的代码启动visdom服务器（运行需要时间，需要稍等一下；下图中的报错ERROR我没有管，不影响正常运行）：

python -m visdom.server

按照提示，在浏览器中输入Http://localhost:8097就可以访问visdom了。初始界面如下图所示，是一个没有任何视窗的main环境。

三、可视化例子

1、输出Hello World！

打开开发工具（我用的是PyCharm2020.3），新建程序文件，输入以下代码：

import visdom vis = visdom.Visdom()vis.text("Hello World!")

点击运行，返回查看浏览器。这时浏览器会出现一个视窗，内容为“Hello World！”。

 拖拽视窗右下角箭头处（如图绿框处）可对视窗大小进行缩放，拖动视窗顶部横条（如图红框处）可以移动视窗。

2、显示图像

visdom可以直接显示Tensor格式的图像数据。

打开开发工具，新建程序文件，输入以下代码：

import visdomfrom PIL import Imageimport torchvision.transfORMs.functional as TF demo_pic = Image.open("1.jpg")img_tensor = TF.to_tensor(demo_pic)vis = visdom.Visdom()vis.image(img_tensor)

结果如下图所示：

 可以用images()函数同时显示多张图片，代码如下：

import visdomfrom PIL import Imageimport torchvision.transforms.functional as TFimport torch demo_pic = Image.open("1.jpg")img_tensor = TF.to_tensor(demo_pic)img_tensors = torch.Tensor([img_tensor.numpy(), img_tensor.numpy()])vis = visdom.Visdom()vis.images(img_tensors)

结果如下：

3、绘制散点图

使用scatter()函数可以绘制二维或者三维的散点图。代码如下：

import visdomimport numpy as npimport torch Y = np.random.rand(100)vis = visdom.Visdom()# vis = visdom.Visdom(env='my_wind')#设置环境窗口的名称是'my_wind',如果不设置默认为main# 2—DtwoD_scatter = vis.scatter(X=torch.rand(100, 2),                          Y=(Y + 1.5).astype(int), # 转换成100个1或2的整数                          opts=dict(                              legend=['Apples', 'Pears'], # 图例名称                              xtickmin=-1, # 设置x坐标轴下限                              xtickmax=2.5, # 设置x坐标轴上限                              xtickstep=0.5, # 设置x坐标轴间隔                              ytickmin=-1,                              ytickmax=2.5,                              ytickstep=0.5,                              markersymbol='dot' # 设置数据显示样式                          ),                          )# 3-D# 3D scatterplot with custom labels and rangesthreeD_scatter = vis.scatter(X=np.random.rand(100, 3),                             Y=(Y + 1.5).astype(int),                             opts=dict(                                 legend=['Men', 'Women'],                                 markersize=5, # 标记大小                                 xtickmin=0,                                 xtickmax=2,                                 xlabel='Arbitrary', # 标签                                 xtickvals=[0, 0.75, 1.6, 2], # 设置坐标轴显示值                                 ytickmin=0,                                 ytickmax=2,                                 ytickstep=0.5,                                 ztickmin=0,                                 ztickmax=1,                                 ztickstep=0.5,                             )                             )

运行结果如下图所示：

  如果想要通过程序实现散点图参数的更新，可以使用update_window_opts()函数，代码如下：

vis.update_window_opts(    win=twoD_scatter,    opts=dict(        legend=['Apples', 'Pears'],        xtickmin=0,        xtickmax=1,        xtickstep=0.5,        ytickmin=0,        ytickmax=1,        ytickstep=0.5,        markersymbol='dot'    ))

update_window_opts()传入两个参数，第一个是视窗的实例，例子中是twoD_scatter；第二个是更新的参数字典opts。

更新后结果如下图所示：

4、绘制线条

4.1 绘制一条直线

代码如下：

import visdomimport numpy as npvis = visdom.Visdom(env='my_windows')  # 设置环境窗口的名称,如果不设置名称就默认为main# 绘制一条直线x = list(range(10))y = list(range(10))# 使用line函数绘制直线 并选择显示坐标轴vis.line(X=np.array(x), Y=np.array(y), opts=dict(showlegend=True))

结果如图所示：

4.2 绘制两条直线

代码如下：

# 绘制两条直线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))

结果如图所示：

4.3 绘制正弦曲线

代码如下：

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))

结果如图所示：

以上是“Pytorch可视化之Visdom怎么用”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注编程网精选频道！