visdom的使用
一、简介
Visdom是一个基于Python的可视化工具包，可以用于PyTorch等深度学习框架中的实时数据可视化。它提供了一个Web界面，可以方便地创建图表、散点图和直方图等可视化元素。相比
tensorboard
、
rensorboardX
具有更轻量、更便捷、更丰富、更快速等特点。
visdom的github主页：https://github.com/fossasia/visdom
visdom的中文参考文档：https://ptorch.com/news/77.html
visdom的优秀教程：https://blog.csdn.net/weixin_41010198/article/details/117853358
二、安装与启动
使用Visdom需要先安装visdom包，可以通过pip命令进行安装：
pip install visdom
接下来，在
cmd
或者
Anaconda
中使用
python -m visdom.server
启动服务。并在浏览器中输入提示的端口，并且需要保持
黑框框
（
cmd
、
Anaconda
）一直开启。
当你打开后，会呈现一个空白的界面，是因为目前还没有写入任何图形。
三、设计思路
假设你的电脑C盘中有很多文件夹，每个文件夹有很多文件，每个文件可以填入你想要的信息。
同样，
visdom
启动服务后，呈现出一个网页页面，会随时根据你电脑跑的程序中有关visdom的部分，呈现出可视化图。这个网页中，可以选择不同的文件夹进行存储，让你的图文件分门别类，比如
程序A
相关的图存在
A文件夹
中，
程序B
相关的图存在
B文件夹
下，当然也可以各个程序生成的图都存在
C文件夹
下。每个文件夹中可以画不同的图，每个图也可以画多个点、线、柱等等。
在每个文件夹下，可以存入
视频
、
图像
、
文本
等等
图像分为图片、以及生成的一些数据图，这里简单介绍一下生成的数据图，比如折线图
vis.scatter
：2D或3D散点图
vis.line
：线图
vis.stem
：stem图
vis.heatmap
：热图地块
vis.bar
：条形图
vis.histogram
：直方图
vis.boxplot
：盒子
vis.surf
：表面重复
vis.contour
：等高线图
vis.quiver
：颤抖的情节
vis.mesh
：网格图
vis.dual_axis_lines
：双y轴线图
四、在迭代训练中的绘图
首先创建一个可视化界面和文件夹：
import visdom
viz = visdom.Visdom(env='main-8')
其中
env='main-8'
表示一个文件夹名称，
main-8
可以替换为其他名称，倘若不写该参数，则默认存储在
env='main'
中，接下来，我们使用
viz
进行操作，就意味着操作对应的图存在
'main-8'
中。
此时，打开网页，会看到有两个环境
Environment
，一个是
“main”
,一个是
“main-8”
创建好文件夹后，接下来，我们在这个文件夹下面写一些图。
先打开网页，确保是
“online”
在线模式
为了模拟迭代过程，这里设计一个循环语句。执行代码
import visdom
viz = visdom.Visdom(env='main-8')
viz.line(X=[0.],# x坐标
Y=[0.],# y值
win="line1",# 窗口id
name="Adam梯度",# 线条名称
update='append',# 以添加方式加入
opts={'showlegend':True,# 显示网格'title':"Demo line in Visdom",'xlabel':"x1",# x轴标签'ylabel':"y1",# y轴标签},)for i inrange(10):
viz.line(X=[i], Y=[i*2],name="Adam梯度", win='line1', update='append')
viz.line(X=[i], Y=[i**2],name="SGD梯度", win='line1', update='append')
viz.line(X=[i], Y=[5*i+2],name="GDM梯度", win='line1', update='append')
先看一下，生成的结果。打开网页
假设现在我想要在main-8文件夹下面，画另外一个图，执行程序
import visdom
vizs = visdom.Visdom(env='main-8')
vizs.line(X=[0.],# x坐标
Y=[0.],# y值
win="line2",# 窗口id
name="Adam梯度",# 线条名称
update='append',# 以添加方式加入
opts={'showlegend':True,# 显示网格'title':"Demo line in Visdom-1",'xlabel':"x1",# x轴标签'ylabel':"y1",# y轴标签},)for i inrange(10):
vizs.line(X=[i], Y=[5*i**3],name="Adam梯度", win='line2', update='append')
vizs.line(X=[i], Y=[i**2],name="SGD梯度", win='line2', update='append')
查看结果
上面的内容，还不具有一般性，下面给出部分代码示例和效果图，以满足实际中的复杂需求
背景：假设，现在有一批数据，数据来自总体一元线性方程，我们根据
A、B、C
三种梯度下降算法，在不同的采样率
rate
下，对比分析，三种梯度下降算法中的
损失值
、
w值
、
b值
。
描述：
图1：loss损失图，横轴为采样比rate、纵轴为loss损失值，图中有3个折线，对应A(无梯度)、B(小梯度)、C(随机梯度)三种梯度下降方法
同理，图2为w值图，图3为b值图,其余类似。
生成文件夹下面的三个图窗口，生成图窗口只需要执行一次就行，放在
env='main-9'
文件夹中
name_1 ='无梯度'
name_2 ='小梯度'
name_3 ='随机梯度'import visdom
viz = visdom.Visdom(env='main-9')
window_loss = viz.line(
X=[0.1],# x坐标
Y=[0.],# y值
win="line_loss_1",# 窗口id
name= name_1,# 线条名称
update='append',# 以添加方式加入
opts={'showlegend':True,# 显示网格'title':"loss",'xlabel':"rate",# x轴标签'ylabel':"loss",# y轴标签},)
window_w = viz.line(
X=[0.1],# x坐标
Y=[0.],# y值
win="line_w_1",# 窗口id
name=name_1,# 线条名称
update='append',# 以添加方式加入
opts={'showlegend':True,# 显示网格'title':"W value",'xlabel':"rate",# x轴标签'ylabel':"w",# y轴标签},)
window_b = viz.line(
X=[0.1],# x坐标
Y=[0.],# y值
win="line_b_1",# 窗口id
name=name_1,# 线条名称
update='append',# 以添加方式加入
opts={'showlegend':True,# 显示网格'title':"b value",'xlabel':"rate",# x轴标签'ylabel':"b",# y轴标签},)
在迭代训练中，每次result生成的结果为
([loss_A, loss_B, loss_C],[A_w,B_w, C_w],[A_b, B_b, C_b])
for i inrange(9):
va ='append'if i ==0:
va ="replace"
rate +=0.1
result = main()#result： ([loss_A, loss_B, loss_C],[A_w,B_w, C_w],[A_b, B_b, C_b])
viz.line(X=[rate], Y=[result[0][0]],name=name_1, win=window_loss, update=va)
viz.line(X=[rate], Y=[result[0][1]],name=name_2, win=window_loss, update=va)
viz.line(X=[rate], Y=[result[0][2]],name=name_3, win=window_loss, update=va)
viz.line(X=[rate], Y=[result[1][0]],name=name_1, win=window_w, update=va)
viz.line(X=[rate], Y=[result[1][1]],name=name_2, win=window_w, update=va)
viz.line(X=[rate], Y=[result[1][2]],name=name_3, win=window_w, update=va)
viz.line(X=[rate], Y=[result[2][0]],name=name_1, win=window_b, update=va)
viz.line(X=[rate], Y=[result[2][1]],name=name_2, win=window_b, update=va)
viz.line(X=[rate], Y=[result[2][2]],name=name_3, win=window_b, update=va)
打开网页
倘若是在机器学习、深度学习中：
#训练模型
vis = visdom.Visdom(env='main')# 设置环境窗口的名称,如果不设置名称就默认为main
opt ={'xlabel':'epochs','ylabel':'loss_value','title':'SGD_loss'}
loss_window = vis.line(
X=[0],
Y=[0],
opts=opt
)for epoch inrange(400):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)print(epoch, loss.item())#所有梯度归零化
optimizer.zero_grad()#反向传播求出梯度
loss.backward()#更新权重和偏置值，即w和b
optimizer.step()
vis.line(X=[epoch], Y=[loss.item()], win=loss_window, opts=opt, update='append')
五、一般绘图
放在
“main”
下面,可忽略参数。在
jupyter notebook
中执行代码：
import visdom
import numpy as np
vis = visdom.Visdom()
vis.text('Hello, world!')
vis.image(np.ones((3,10,10)))
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'})
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
from __future__ import unicode_literals
from visdom import Visdom
import numpy as np
import math
import os.path
import getpass
from sys import platform as _platform
from six.moves import urllib
viz = Visdom()assert viz.check_connection()try:import matplotlib.pyplot as plt
plt.plot([1,23,2,4])
plt.ylabel('some numbers')
viz.matplot(plt)except BaseException as err:print('Skipped matplotlib example')print('Error message: ', err)
#单张
viz.image(
np.random.rand(3,512,256),
opts=dict(title='Random!', caption='How random.'),)#多张
viz.images(
np.random.randn(20,3,64,64),
opts=dict(title='Random images', caption='How random.'))
#画出随机的散点图import time
Y = np.random.rand(100)
old_scatter = viz.scatter(
X=np.random.rand(100,2),
Y=(Y[Y >0]+1.5).astype(int),
opts=dict(
legend=['Didnt','Update'],
xtickmin=-50,
xtickmax=50,
xtickstep=0.5,
ytickmin=-50,
ytickmax=50,
ytickstep=0.5,
markersymbol='cross-thin-open',),)
time.sleep(5)#对窗口进行更新,包括标注,坐标,样式等
viz.update_window_opts(
win=old_scatter,
opts=dict(
legend=['Apples','Pears'],
xtickmin=0,
xtickmax=1,
xtickstep=0.5,
ytickmin=0,
ytickmax=1,
ytickstep=0.5,
markersymbol='cross-thin-open',),)
## 通过update='new'添加新散点import time
win = viz.scatter(
X=np.random.rand(255,2),
opts=dict(
markersize=10,
markercolor=np.random.randint(0,255,(255,3,)),),)# 判断窗口是否存在assert viz.win_exists(win),'Created window marked as not existing'
time.sleep(2)# 向散点图中加入新的描述
viz.scatter(
X=np.random.rand(255),
Y=np.random.rand(255),
win=win,
name='new_trace',
update='new')
# 2D散点图,分配不同颜色
viz.scatter(
X=np.random.rand(255,2),#随机指定1或者2
Y=(np.random.rand(255)+1.5).astype(int),
opts=dict(
markersize=10,## 分配两种颜色
markercolor=np.random.randint(0,255,(2,3,)),),)
#3D 散点图
viz.scatter(
X=np.random.rand(100,3),
Y=(Y +1.5).astype(int),
opts=dict(
legend=['Men','Women'],
markersize=5,))
viz.line(Y=np.random.rand(10), opts=dict(showlegend=True))
Y = np.linspace(-5,5,100)
viz.line(
Y=np.column_stack((Y * Y, np.sqrt(Y +5))),
X=np.column_stack((Y, Y)),
opts=dict(markers=False),)
viz.bar(X=np.random.rand(20))
viz.bar(
X=np.abs(np.random.rand(5,3)),
opts=dict(
stacked=True,
legend=['Facebook','Google','Twitter'],
rownames=['2012','2013','2014','2015','2016']))
viz.bar(
X=np.random.rand(20,3),
opts=dict(
stacked=False,
legend=['The Netherlands','France','United States']))
viz.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',))# contour
x = np.tile(np.arange(1,101),(100,1))
y = x.transpose()
X = np.exp((((x -50)**2)+((y -50)**2))/-(20.0**2))
viz.contour(X=X, opts=dict(colormap='Viridis'))# surface
viz.surf(X=X, opts=dict(colormap='Hot'))
# boxplot
X = np.random.rand(100,2)
X[:,1]+=2
viz.boxplot(
X=X,
opts=dict(legend=['Men','Women']))# stemplot
Y = np.linspace(0,2* math.pi,70)
X = np.column_stack((np.sin(Y), np.cos(Y)))
viz.stem(
X=X,
Y=Y,
opts=dict(legend=['Sine','Cosine']))# quiver plot
X = np.arange(0,2.1,.2)
Y = np.arange(0,2.1,.2)
X = np.broadcast_to(np.expand_dims(X, axis=1),(len(X),len(X)))
Y = np.broadcast_to(np.expand_dims(Y, axis=0),(len(Y),len(Y)))
U = np.multiply(np.cos(X), Y)
V = np.multiply(np.sin(X), Y)
viz.quiver(
X=U,
Y=V,
opts=dict(normalize=0.9),)
# text window with Callbacks
txt ='This is a write demo notepad. Type below. Delete clears text:<br>'
callback_text_window = viz.text(txt)# pie chart
X = np.asarray([19,26,55])
viz.pie(
X=X,
opts=dict(legend=['Residential','Non-Residential','Utility']))# 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]
viz.mesh(X=X, Y=Y, opts=dict(opacity=0.5))
生成的图片
六、基本调整与保存文件
在上面使用代码生成的这些图片，我应该怎么保存呢？我下次再打开网页，能不能还是显示这样的动态网页呢？我能不能调整某一个图片大小，显示它的数据之类的呢？答案是肯定的！
1、
调整大小、拖拽
：长按拖动即可，右下角落长按移动即可放大缩小
2、
查看图片对应的数据
：点击右下角
Edit
，会跳转到新网页，可以灵活进行数据调整
3、
图内控件调整
：比如，放大某一区域，或者图内整体放大缩小等等
4、
保存单个图
5、
保存整个环境
：逐步将每个文件夹都保存一下
点击
文件夹图标
，然后更改名称，再点击
fork
,再点击
“save”
，即可保存，我们将上图中的4个文件夹都进行保存。
还有许多其他功能，自行了解
此时，可以关闭网页，关闭
黑框框
，不用担心数据丢失。
6、
重新加载打开环境
很久以后，当我们需要查看这些图形的时候，不需要重新跑代码，直接启动服务，打开网页即可。
同样的操作：在
黑框框
中启动服务打开网页。使用
python -m visdom.server
启动服务。并在浏览器中输入提示的端口，那么我们就可以看到之前生成的图形了。
7、
不小心关闭了网页
只要黑框框没有关闭，不小心将网页关闭了，没有关系，数据不会丢失，重新复制端口在浏览器中访问即可。
本文转载自: https://blog.csdn.net/AdamCY888/article/details/129789410
版权归原作者 高山莫衣 所有， 如有侵权，请联系我们删除。
版权归原作者 高山莫衣 所有， 如有侵权，请联系我们删除。