在深度学习模型训练的过程中,常常需要实时监听并可视化一些数据,如损失值loss,正确率acc等。在Tensorflow中,最常使用的工具非Tensorboard莫属;在Pytorch中,也有类似的TensorboardX,但据说其在张量数据加载的效率方面不如visdom。visdom是FaceBook开发的一款可视化工具,其实质是一款在网页端的web服务器,对Pytorch的支持较好。
visdom的安装比较简单,可以直接使用pip命令。
# visdom 安装指令
pip install visdom
执行安装命令后,可以执行以下命令启动visdom。
# 启动 visdom web服务器
python -m visdom.server
若安装成功,则会返回一个网页地址;若报错,则安装失败,可以自行去github上下载源码安装。
将网址复制后在浏览器中打开,就可以看到visdom的主界面。
这里以监听损失值loss数据,准确率acc数据及可视化图像等方面简要介绍visdom的使用。
3.1 监听单一数据loss
在模型训练过程中,loss是最常监听的数据,这里就以loss的监听为例,使用visdom可视化loss的变化过程。为了使代码更加简洁,这里以for循环代替模型逐轮训练的过程,loss值则在每个循环内部随机产生。
from visdom import Visdom
import numpy as np
import time
# 将窗口类实例化
viz = Visdom()
# 创建窗口并初始化
viz.line([0.], [0], win='train_loss', opts=dict(title='train_loss'))
for global_steps in range(10):
# 随机获取loss值
loss = 0.2 * np.random.randn() + 1
# 更新窗口图像
viz.line([loss], [global_steps], win='train_loss', update='append')
time.sleep(0.5)
3.2 同时监听loss和acc
from visdom import Visdom
import numpy as np
import time
# 将窗口类实例化
viz = Visdom()
# 创建窗口并初始化
viz.line([[0.,0.]], [0], win='train', opts=dict(title='loss&acc', legend=['loss', 'acc']))
for global_steps in range(10):
# 随机获取loss和acc
loss = 0.1 * np.random.randn() + 1
acc = 0.1 * np.random.randn() + 0.5
# 更新窗口图像
viz.line([[loss, acc]], [global_steps], win='train', update='append')
# 延时0.5s
time.sleep(0.5)
3.3 可视化图像
在处理图像任务时,还可以用visdom对图像进行可视化。
from visdom import Visdom
import numpy as np
import cv2
import torch
# 使用opencv读取数据
img = cv2.imread('pkq.jpg')
# opencv按照BGR读取,而visdom默认按照RGB显示,因此要进行通道转换
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# visdom类似于pytorch中的卷积模型,接收的数据都要求通道数在前
img = np.transpose(img, (2, 0, 1))
img = torch.from_numpy(img)
# 可视化图像
viz.image(img, win='pkq')
visdom可以同时在主面板中打开多个窗口,执行上面3个可视化程序后,主面板如下所示: