PyTorch的可视化工具

发表于 更新于
可视化工具可以有效的帮助人们理解深度网络并进行有效的优化和调节，一般包括张量的可视化和训练过程的可视化两部分。

张量的可视化

显示单张图片

1
2
3
4
5
6
7
8
9
import torch as t
from torchvision import transforms
from matplotlib import pyplot as plt

to_pil = transforms.ToPILImage()
img = to_pil(t.randn(3, 64, 64))  # 随机噪声

plt.imshow(img)
plt.show()

将多张图片拼在一起

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
import torch as t
from torch import nn
from torchvision import models
from torchvision import datasets
from torchvision import transforms
from torch.utils.data import DataLoader
from matplotlib import pyplot as plt

#========================================================
#  数据加工
#========================================================

transform = transforms.Compose([
        transforms.Resize(256),  # 缩放图片, 保持长宽比不变, 最短边256
        transforms.CenterCrop(224),  # 从图片中间切出224x224的图片
        transforms.ToTensor(), # 将图片(Image)转化为Tensor, 归一化到[0,1]
        transforms.Normalize(mean=[0.5], std=[0.5])  # 标准化到[-1,1]
        ])

dataset = datasets.MNIST('data/', download=True, train=False, transform=transform)

dataloader = DataLoader(dataset, shuffle=True, batch_size=16)

#========================================================
#  模型迁移
#========================================================

# 预训练模型
resnet34 = models.resnet34(pretrained=True, num_classes=1000)
# 修改最后的全连接层为10分类问题
resnet34.fc = nn.Linear(512, 10)

#========================================================
#  可视化
#========================================================

from torchvision.utils import make_grid, save_image

dataiter = iter(dataloader)
img = make_grid(next(dataiter)[0], 4)  # 拼成4x4网格图片
save_image(img, 'test.png')  # 将tensor保存成png图片

to_img = transforms.ToPILImage()
img = to_img(img)

plt.imshow(img)
plt.show()

训练过程的可视化

1、TensorBoard

tensorboard_logger将TensorBoard的功能抽取出来，使得非TensorFlow用户也能用它进行可视化
第一步是安装，非常简单

1
pip install tensorboard_logger

第二步，用如下命令启动TensorBoard

1
tensorboard --logdir <your_dir:这里用D:/> --port <your_bind_port:这里用6006>

第三步，记录日志

1
2
3
4
5
6
7
8
9
from tensorboard_logger import Logger

logger = Logger(logdir='D:/',   # 日志保存路径
                flush_secs=2    # 刷新同步间隔
                )

for i in range(100):
    logger.log_value('loss:', 10-i**0.5, step=i)
    logger.log_value('accuracy:', i**0.5/10)

第四步，网页查看
打开http://localhost:6006/就可以看到日志记录的内容了

2、visdom

visdom是Facebook专门为PyTorch开发的一款可视化工具。
第一步是安装，非常简单

1
pip install visdom

第二步，用如下命令启动visdom服务（默认绑定8097端口）

1
python -m visdom.server

使用如下命令可以将visdom服务放至后台运行

1
nohup python -m visdom.server &

第三步，记录日志

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import visdom
import torch as t

# 新建一个连接客户端
# 指定env='test1', 默认端口8097, host是'localhost'
vis = visdom.Visdom(env='test1')

x = t.arange(1, 30, 0.01)
y = t.sin(x)
# line绘线, histgram可视化分布, scatter散点图, bar柱状图, pie饼图, image可视化图片, text用于记录日志等文字信息...
vis.line(X=x, 
         Y=y, 
         win='sinx',   # 指定pane名字
         opts={'title': 'y=sin(x)'}  # 可视化配置, 用于设置pane的显示格式
         )

第四步，网页查看
打开http://localhost:8097/就可以看到日志记录的内容了

pytorch常用代码段整理