python的visdom工具怎么使用

这篇文章主要讲解了"python的visdom工具怎么使用"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"python的visdom工具怎么使用"吧！

概述

Visdom:一个灵活的可视化工具，可用来对于 实时，富数据的 创建，组织和共享。支持Torch和Numpy还有pytorch。

visdom
可以实现远程数据的可视化，对科学实验有很大帮助。我们可以远程的发送图片和数据，并进行在ui界面显示出来，检查实验结果，或者debug.

要用这个先要安装，对于python模块而言，安装都是蛮简单的：

pip install visdom

安装完每次要用直接输入代码打开：

python -m visdom.server

然后根据提示在浏览器中输入相应地址即可，默认地址为：http://localhost:8097/

使用示例

1. vis.text(), vis.image()

import visdom  # 添加visdom库import numpy as np  # 添加numpy库vis = visdom.Visdom(env='test')  # 设置环境窗口的名称,如果不设置名称就默认为mainvis.text('test', win='main')  # 使用文本输出vis.image(np.ones((3, 100, 100)))  # 绘制一幅尺寸为3 * 100 * 100的图片，图片的像素值全部为1

其中:

visdom.Visdom(env='命名新环境')
vis.text('文本', win='环境名')
vis.image('图片'，win='环境名')

2. 画直线 .line() 一条

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mainx = 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))

vis.line([x], [y], opts=dict(showlegend=True)[展示说明])

两条

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))

vis.line([x], [y=np.column_stack((np.array(y),np.array(z),np.array(还可以增加)))])
np.column_stack(a,b), 表示两个矩阵按列合并

sin(x)曲线

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))

持续更新图表

import visdomimport numpy as npvis = visdom.Visdom(env='my_windows')# 利用update更新图像x = 0y = 0my_win = vis.line(X=np.array([x]), Y=np.array([y]), opts=dict(title='Update'))for i in range(10):    x += 1    y += i    vis.line(X=np.array([x]), Y=np.array([y]), win=my_win, update='append')

使用"append"追加数据，"replace"使用新数据，"remove"用于删除"name"中指定的跟踪。

vis.images()

import visdomimport torch# 新建一个连接客户端# 指定env = 'test1'，默认是'main',注意在浏览器界面做环境的切换vis = visdom.Visdom(env='test1')# 绘制正弦函数x = torch.arange(1, 100, 0.01)y = torch.sin(x)vis.line(X=x,Y=y, win='sinx',opts={'title':'y=sin(x)'})# 绘制36张图片随机的彩色图片vis.images(torch.randn(36,3,64,64).numpy(),nrow=6, win='imgs',opts={'title':'imgs'})

绘制loss函数的变化趋势

#绘制loss变化趋势，参数一为Y轴的值，参数二为X轴的值，参数三为窗体名称，参数四为表格名称，参数五为更新选项，从第二个点开始可以更新vis.line(Y=np.array([totalloss.item()]), X=np.array([traintime]),                win=('train_loss'),                opts=dict(title='train_loss'),                update=None if traintime == 0 else 'append'                )

实际代码

此代码出自CycleGAN的 utils.py 里一个实现

# 记录训练日志，显示生成图，画loss曲线 的类class Logger():    def __init__(self, n_epochs, batches_epoch):        '''        :param n_epochs:  跑多少个epochs        :param batches_epoch:  一个epoch有几个batches        '''        self.viz = Visdom() # 默认env是main函数        self.n_epochs = n_epochs        self.batches_epoch = batches_epoch        self.epoch = 1 # 当前epoch数        self.batch = 1 # 当前batch数        self.prev_time = time.time()        self.mean_period = 0        self.losses = {}        self.loss_windows = {} # 保存loss图的字典集合        self.image_windows = {} # 保存生成图的字典集合    def log(self, losses=None, images=None):        self.mean_period += (time.time() - self.prev_time)        self.prev_time = time.time()        sys.stdout.write('Epoch d/d [d/d] -- ' % (self.epoch, self.n_epochs, self.batch, self.batches_epoch))        for i, loss_name in enumerate(losses.keys()):            if loss_name not in self.losses:                self.losses[loss_name] = losses[loss_name].data.item() #这里losses[loss_name].data是个tensor（包在值外面的数据结构），要用item方法取值            else:                self.losses[loss_name] = losses[loss_name].data.item()            if (i + 1) == len(losses.keys()):                sys.stdout.write('%s: %.4f -- ' % (loss_name, self.losses[loss_name]/self.batch))            else:                sys.stdout.write('%s: %.4f | ' % (loss_name, self.losses[loss_name]/self.batch))        batches_done = self.batches_epoch * (self.epoch - 1) + self.batch        batches_left = self.batches_epoch * (self.n_epochs - self.epoch) + self.batches_epoch - self.batch        sys.stdout.write('ETA: %s' % (datetime.timedelta(seconds=batches_left*self.mean_period/batches_done)))        # 显示生成图        for image_name, tensor in images.items(): # 字典.items()是以list形式返回键值对            if image_name not in self.image_windows:                self.image_windows[image_name] = self.viz.image(tensor2image(tensor.data), opts={'title':image_name})            else:                self.viz.image(tensor2image(tensor.data), win=self.image_windows[image_name], opts={'title':image_name})        # End of each epoch        if (self.batch % self.batches_epoch) == 0: # 一个epoch结束时            # 绘制loss曲线图            for loss_name, loss in self.losses.items():                if loss_name not in self.loss_windows:                    self.loss_windows[loss_name] = self.viz.line(X=np.array([self.epoch]), Y=np.array([loss/self.batch]),                                                                 opts={'xlabel':'epochs', 'ylabel':loss_name, 'title':loss_name})                else:                    self.viz.line(X=np.array([self.epoch]), Y=np.array([loss/self.batch]), win=self.loss_windows[loss_name], update='append') #update='append'可以使loss图不断更新                # 每个epoch重置一次loss                self.losses[loss_name] = 0.0            # 跑完一个epoch，更新一下下面参数            self.epoch += 1            self.batch = 1            sys.stdout.write('')        else:            self.batch += 1

train.py中调用代码是

# 绘画Loss图logger = Logger(opt.n_epochs, len(dataloader))for epoch in range(opt.epoch, opt.n_epochs):    for i, batch in enumerate(dataloader):                        ......                                # 记录训练日志            # Progress report (http://localhost:8097) 显示visdom画图的网址            logger.log({'loss_G': loss_G, 'loss_G_identity': (loss_identity_A + loss_identity_B),                        'loss_G_GAN': (loss_GAN_A2B + loss_GAN_B2A),                        'loss_G_cycle': (loss_cycle_ABA + loss_cycle_BAB), 'loss_D': (loss_D_A + loss_D_B)},                       images={'real_A': real_A, 'real_B': real_B, 'fake_A': fake_A, 'fake_B': fake_B})

感谢各位的阅读，以上就是"python的visdom工具怎么使用"的内容了，经过本文的学习后，相信大家对python的visdom工具怎么使用这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是，小编将为大家推送更多相关知识点的文章，欢迎关注！