一筑辨、TensorBoard
TensorBoard 一般都是作為 TensorFlow 的可視化工具总滩，與 TensorFlow 深度集成纲堵，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)等闰渔。
此外席函，TensorBoard 也是一個(gè)獨(dú)立工具，在 PyTorch 中也可使用它進(jìn)行可視化冈涧。
1茂附、安裝：pip install tensorboard
2正蛙、啟動(dòng)：tensorboard --logdir="日志目錄"
啟動(dòng) tensorboard 時(shí)，可指定 logdir营曼、port（默認(rèn)6006）乒验、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)練模型蒂阱，導(dǎo)入 tensorboard. SummaryWriter 保存 loss锻全、accuracy 等日志信息。
# 導(dǎo)入SummaryWriter
from torch.utils.tensorboard import SummaryWriter
...
# 創(chuàng)建SummaryWriter實(shí)例录煤，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)鳄厌，寫(xiě)入train_loss、test_loss妈踊、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 了嚎，訓(xùn)練過(guò)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：
二廊营、Visdom
Visdom 是 Facebook 專(zhuān)門(mén)為 PyTorch 開(kāi)發(fā)的一款可視化工具新思，能夠支持“遠(yuǎn)程數(shù)據(jù)”的可視化，支持 Torch 和 Numpy赘风。GitHub 地址：https://github.com/fossasia/visdom
1夹囚、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)境邀窃，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)荸哟，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瞬捕、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(guò)程可視化代碼：
# 導(dǎo)入visdom包
import visdom
# 創(chuàng)建Visdom對(duì)象鞍历，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)肪虎，實(shí)時(shí)可視化loss劣砍、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扇救、image刑枝、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)
