一、TensorBoard

TensorBoard 一般都是作為 TensorFlow 的可視化工具，與 TensorFlow 深度集成，它能夠展現(xiàn) TensorFlow 的網(wǎng)絡(luò)計(jì)算圖，繪制圖像生成的定量指標(biāo)圖以及附加數(shù)據(jù)等。

此外，TensorBoard 也是一個(gè)獨(dú)立工具，在 PyTorch 中也可使用它進(jìn)行可視化。

1、安裝：pip install tensorboard

2、啟動(dòng)：tensorboard --logdir="日志目錄"

啟動(dòng) tensorboard 時(shí)，可指定 logdir、port（默認(rèn)6006）、host（默認(rèn)localhost）等參數(shù)： 

usage: tensorboard [-h] [--helpfull] [--logdir PATH] [--logdir_spec PATH_SPEC]  
                   [--host ADDR] [--bind_all] [--port PORT]  
                   [--purge_orphaned_data BOOL] [--db URI] [--db_import]  
                   [--inspect] [--version_tb] [--tag TAG] [--event_file PATH]  
                   [--path_prefix PATH] [--window_title TEXT]  
                   [--max_reload_threads COUNT] [--reload_interval SECONDS]  
                   [--reload_task TYPE] [--reload_multifile BOOL]  
                   [--reload_multifile_inactive_secs SECONDS]  
                   [--generic_data TYPE]  
                   [--samples_per_plugin SAMPLES_PER_PLUGIN]  
                   [--debugger_data_server_grpc_port PORT]  
                   [--debugger_port PORT] [--master_tpu_unsecure_channel ADDR] 

3、Tensorboard 可視化演示(PyTorch 框架)：

訓(xùn)練模型，導(dǎo)入 tensorboard. SummaryWriter 保存 loss、accuracy 等日志信息。 

# 導(dǎo)入SummaryWriter  
from torch.utils.tensorboard import SummaryWriter  
...  
# 創(chuàng)建SummaryWriter實(shí)例，指定log_dir的位置  
summaryWriter = SummaryWriter(log_dir="/Users/liyunfei/PycharmProjects/python3practice/06DL/fcnn/logs")  
...  
# 模型訓(xùn)練時(shí)，寫入train_loss、test_loss、score等信息  
summaryWriter.add_scalars("loss", {"train_loss_avg": train_loss_avg, "test_loss_avg": test_loss_avg}, epoch)  
summaryWriter.add_scalar("score", score, epoch) 

啟動(dòng) TensorBoar ，訓(xùn)練過程可視化。

1）啟動(dòng)命令： 

tensorboard --logdir=/Users/liyunfei/PycharmProjects/python3practice/06DL/fcnn/logs 

2）啟動(dòng)成功如圖示：

3）可視化結(jié)果如下：

二、Visdom

Visdom 是 Facebook 專門為 PyTorch 開發(fā)的一款可視化工具，能夠支持“遠(yuǎn)程數(shù)據(jù)”的可視化，支持 Torch 和 Numpy。GitHub 地址：https://github.com/fossasia/visdom

1、安裝：pip install visdom

2、啟動(dòng)：

•  python -m visdom.server

          -m 是以模塊服務(wù)啟動(dòng)

•  如果是 linux/mac-os 環(huán)境，可以使用以下命令啟動(dòng)運(yùn)行在后臺(tái)

          nohup python -m visdom.server &

啟動(dòng) Visdom 時(shí)，可以指定 port（默認(rèn)8097）、hostname（默認(rèn)localhost）等其它參數(shù)： 

usage: server.py [-h] [-port port] [--hostname hostname] [-base_url base_url]  
                 [-env_path env_path] [-logging_level logger_level]  
                 [-readonly] [-enable_login] [-force_new_cookie]  
                 [-use_frontend_client_polling] 

3、Visdom 可視化演示

1）啟動(dòng) Visdom：

python -m visdom.server -port 8097

2）啟動(dòng)成功如下：

3）訓(xùn)練過程可視化代碼： 

# 導(dǎo)入visdom包  
import visdom  
# 創(chuàng)建Visdom對(duì)象，連接服務(wù)端，指定env環(huán)境(不指定默認(rèn)env="main")  
viz = visdom.Visdom(server='http://localhost', port=8097, env='liyunfei')  
...  
viz.line([0.], [0], win='train_loss', opts=dict(title='train_loss'))  
viz.line([0.], [0], win='accuracy', opts=dict(title='accuracy'))  
...  
# 模型訓(xùn)練時(shí)，實(shí)時(shí)可視化loss、accuracy等信息。  
viz.line([train_loss_avg], [epoch], win='train_loss', update='append')  
viz.line([accuracy], [epoch], win='accuracy', update='append') 

4）可視化結(jié)果：

5）其它操作——可視化一張/多張圖片：

示例： 

import visdom  
import numpy as np  
viz = visdom.Visdom(server='http://localhost', port=8097, env='liyunfei')  
# 一張圖片  
viz.image(  
    np.random.rand(3, 512, 256),  
    opts=dict(title='Random!', caption='How random.'),  
)  
# 多張圖片  
viz.images(  
    np.random.randn(20, 3, 64, 64),  
    nrow=5,  
    opts=dict(title='Random images', caption='How random.')  
) 

效果：

6）Visdom 的更多可視化 API（常用的是 line、image、text）： 

vis.scatter : 2D 或 3D 散點(diǎn)圖  
vis.line : 線圖  
vis.stem : 莖葉圖  
vis.heatmap : 熱力圖  
vis.bar : 條形圖  
vis.histogram: 直方圖  
vis.boxplot : 箱型圖  
vis.surf : 表面圖  
vis.contour : 輪廓圖  
vis.quiver : 繪出二維矢量場(chǎng)  
vis.image : 圖片  
vis.text : 文本  
vis.mesh : 網(wǎng)格圖  
vis.save : 序列化狀態(tài)