一、pytorch与tensorboard结合使用

Tensorboard

Tensorboard一般都是作为tf的可视化工具，与tf深度集成，它能够展现tf的网络计算图，绘制图像生成的定量指标图以及附加数据等。此外，Tensorboard也是一个独立工具，只要保存的数据遵循一定的格式，Tensorboard就可以读取这些数据并进行可视化
  • 将网络结构、动态数值以 protocol buffer 格式写到文件里。
  • 读取网络结构、读取动态数值，并展示在浏览器中。

Tensorboard_logger

Tensorboard_logger是TeamHGMemex开发的一款轻量级工具，它将Tensorboard的工具抽取出来，使得非tf用户也可以使用它进行可视化，不过功能有限，但一些常用的还是可以支持。
 

安装

1.安装tensorflow：
　　建议安装cpu-onlu版本（因为本人pytorch安装的是GPU版本，避免在同一个虚拟环境下包冲突），可以选择直接pip安装
 
2.安装tensorboard_logger：
　　安装十分简单，可以通过 pip install tensorboard_logger 命令直接安装
 

如何使用

1.首先启动Tensorboard，命令格式如下：
tensorboard --logdir <your/running/dir> --port <your_bind_port>
例如命令是:
tensorboard --logdir /home/tenyun/Documents/Githome/pytorch_home/ --port 1234
这里选择端口的时候，一定要注意，不能选择被占用的端口
 
启动成功后，控制台如下输出:
TensorBoard 1.11.0 at http://TenYun:1234(Press CTRL+C to quit)
 
2.代码中使用
from tensorboard_logger import Logger

# 构建logger对象，logdir用来指定log文件的保存路径

# flush_secs用来指定刷新同步间隔

logger = Logger(logdir="/home/tenyun/Documents/Githome/pytorch_home", flush_secs=2)

# 模拟函数

for ii in range(100):

    logger.log_value('loss', 10-ii**0.5, step=ii)

    logger.log_value('accuracy', ii**0.5/10, step=ii)
3.查看结果
运行以后，到浏览器输入: http://localhost:1234，注意换成你绑定的端口，可以看到结果。
 

二、visdom

 

基本概念

Visdom有一些简单的特性，我们可以根据这个特性来构建属于自己的特定的例程（use-cases）。
 

①Panes（窗格）

 
当你刚刚打开UI会发现，这是个白板，只有一片蓝色，别的啥都没有…。我们可以用图形、图像和文本填充它。
注意，
　　无论是文本还是图像、视频，都需要放在一个叫做pane的container里面，你可以对这些pane（窗口）拖拽，缩放以及删除。
 
其中，pane存在于envs，envs的 status（状态）可以跨sessions（会话）保存。
 
此外，pane还支持callbacks（回调函数），也就是说，当你在一个pane上输入一些内容, 如果后端写好了对应的处理逻辑，那么callbacks会要求Visdom对象接收前端传来的输入给后端的处理代码，并将处理后的结果返回到前端显示，也就是pane可以支持交互～
 

② Enviroments环境

UI的左上角，有一条这样的东西：
　　这是可视化空间所在的环境（envs）——可以理解为①中pane所在的context。
　　默认情况下，每个用户会拥有一个叫做main的env。
 
 
如果有额外的需求，比如要在不同的环境中展示多种层次的内容，用户可以在UI（前端）或者后端创建新的env。环境变量的状态被长期保存。
 
我们可以在UI任意的切换不同的环境（env）。当你选择了一个新的env，visdom将会向服务器请求存在于该env中的图像。
 
在 env selector（环境选择器）后面，有一个小的橡皮擦eraser button，用户可以使用它来清除当前env下的所有内容。如果你的展示是动态的，也就是数据源源不断需要展示，那么后续的图像会 继续展示在此env下。
 

③State——状态

 
当你在某些env下创建了一些可视化图像内容后，服务器会自动缓存这些可视化结果（设置checkpoint）。如果你重新加载此页面或者重新打开服务器，这些图像内容会重现的。
 
当然，你也可以手动的保存这些env的状态：
 
  • save: 可以序列化env的状态，并以json文件保持在磁盘中。
  • fork: 当输入一个新的名字，会复制当前的状态到这个new env下。
 

④ Filter——过滤

这个功能挺容易理解的：就是根据你在filter窗口的输入（右上角）对当前env下所有windows的title进行字符串正则匹配，只显示该env下跟输入的图像名字匹配的图像
 
 

总结：

明确几个名词：
  • env：看作一个大容器，在代码中是 vis=visdom.Visdom(env=''main)
  • pane： 就是用于绘图的小窗口，在代码中叫 window
使用Visdom就是在env中的pane上画图
 
区别参数env和win：
  • env是Visdom的参数，指定环境的名字，默认有个叫main的环境
  • win（和opts）是vis中几乎所有函数都有的参数，指定pane的名字，建议每次操作都指定win
 
补充：
  • opts用来可视化设置，接收一个字典。通用的一些配置：主要用于设置pane的显示格式
options.title
options.xlabel
options.ylabel
options.width
 
  • 避免覆盖之前的数值：
    1.指定参数 update=‘append’
    2.使用vis.updateTrace方法更新图
 

安装（setup）& 启动例子（demo）

我的是python3.x，直接pip install visdom即可。
 
安装后，不需要代码写好，就可以在命令行里面跑visdom。
 
启动方法:  python -m visdom.server 或者直接敲 visdom，刚执行的时候，会开始下载一些脚本，需要等待一会
 
然后试一段代码：
import visdom

import numpy as np

vis = visdom.Visdom()

vis.text('Hello, world!')

vis.image(np.ones((3, 10, 10)))

上述代码运行后，打开浏览器，输入：

http://localhost:8097

看看结果怎么样

 
 
再试一下其他代码：

import torch as t

import visdom as vis

v=vis.Visdom(env='linetest')

x=t.arange(1,30,0.01)

y=t.sin(x)

v.line(X=x,Y=y,win='sinx',opts={'title':'y.sin(x)'})
 
 

可视化接口

 
Visdom支持下列API。由Plotly提供可视化支持。