@TOC
一、简介
Visdom是一个基于Python的可视化工具包，能够用于PyTorch等深度学习框架中的实时数据可视化。它提供了一个Web界面，能够不便地创立图表、散点图和直方图等可视化元素。相比tensorboard、rensorboardX具备更轻量、更便捷、更丰盛、更疾速等特点。
visdom的github主页：https://github.com/fossasia/visdom
visdom的中文参考文档：https://ptorch.com/news/77.html
visdom的优良教程：https://blog.csdn.net/weixin_41010198/article/details/117853358
二、装置与启动
应用Visdom须要先装置visdom包，能够通过pip命令进行装置：
pip install visdom接下来，在cmd或者Anaconda中应用python -m visdom.server启动服务。并在浏览器中输出提醒的端口，并且须要放弃黑框框（cmd、Anaconda）始终开启。
当你关上后，会出现一个空白的界面，是因为目前还没有写入任何图形。
三、设计思路
假如你的电脑C盘中有很多文件夹，每个文件夹有很多文件，每个文件能够填入你想要的信息。
同样，visdom启动服务后，呈现出一个网页页面，会随时依据你电脑跑的程序中无关visdom的局部，呈现出可视化图。这个网页中，能够抉择不同的文件夹进行存储，让你的图文件分门别类，比方程序A相干的图存在A文件夹中，程序B相干的图存在B文件夹下，当然也能够各个程序生成的图都存在C文件夹下。每个文件夹中能够画不同的图，每个图也能够画多个点、线、柱等等。
在每个文件夹下，能够存入视频、图像、文本等等
图像分为图片、以及生成的一些数据图，这里简略介绍一下生成的数据图，比方折线图
vis.scatter：2D或3D散点图vis.line：线图vis.stem：stem图vis.heatmap：热图地块vis.bar：条形图vis.histogram：直方图vis.boxplot：盒子vis.surf：外表反复vis.contour：等高线图vis.quiver：颤动的情节vis.mesh：网格图vis.dual_axis_lines：双y轴线图
四、在迭代训练中的绘图
首先创立一个可视化界面和文件夹：
import visdomviz = visdom.Visdom(env='main-8')其中env='main-8' 示意一个文件夹名称，main-8能够替换为其余名称，假使不写该参数，则默认存储在env='main'中，接下来，咱们应用viz进行操作，就意味着操作对应的图存在'main-8'中。
此时，关上网页，会看到有两个环境Environment，一个是“main”,一个是“main-8”
创立好文件夹后，接下来，咱们在这个文件夹上面写一些图。
先关上网页，确保是“online”在线模式
为了模仿迭代过程，这里设计一个循环语句。执行代码
import visdomviz = visdom.Visdom(env='main-8')viz.line(X=[0.], # x坐标 Y=[0.], # y值 win="line1", # 窗口id name="Adam梯度", # 线条名称 update='append', # 以增加形式退出 opts={ 'showlegend': True, # 显示网格 'title': "Demo line in Visdom", 'xlabel': "x1", # x轴标签 'ylabel': "y1", # y轴标签 },)for i in range(10): viz.line(X=[i], Y=[i*2],name="Adam梯度", win='line1', update='append') viz.line(X=[i], Y=[i**2],name="SGD梯度", win='line1', update='append') viz.line(X=[i], Y=[5*i+2],name="GDM梯度", win='line1', update='append')先看一下，生成的后果。关上网页
假如当初我想要在main-8文件夹上面，画另外一个图，执行程序
import visdomvizs = visdom.Visdom(env='main-8')vizs.line(X=[0.], # x坐标 Y=[0.], # y值 win="line2", # 窗口id name="Adam梯度", # 线条名称 update='append', # 以增加形式退出 opts={ 'showlegend': True, # 显示网格 'title': "Demo line in Visdom-1", 'xlabel': "x1", # x轴标签 'ylabel': "y1", # y轴标签 },)for i in range(10): vizs.line(X=[i], Y=[5*i**3],name="Adam梯度", win='line2', update='append') vizs.line(X=[i], Y=[i**2],name="SGD梯度", win='line2', update='append')查看后果
下面的内容，还不具备一般性，上面给出局部代码示例和效果图，以满足理论中的简单需要
背景：假如，当初有一批数据，数据来自总体一元线性方程，咱们依据A、B、C三种梯度降落算法，在不同的采样率rate下，比照剖析，三种梯度降落算法中的损失值、w值、b值。
形容：
图1：loss损失图，横轴为采样比rate、纵轴为loss损失值，图中有3个折线，对应A(无梯度)、B(小梯度)、C(随机梯度)三种梯度降落办法
同理，图2为w值图，图3为b值图,其余相似。
生成文件夹上面的三个图窗口，生成图窗口只须要执行一次就行，放在env='main-9'文件夹中
name_1 = '无梯度'name_2 = '小梯度'name_3 = '随机梯度'import visdomviz = visdom.Visdom(env='main-9')window_loss = viz.line( X=[0.1], # x坐标 Y=[0.], # y值 win="line_loss_1", # 窗口id name= name_1, # 线条名称 update='append', # 以增加形式退出 opts={ 'showlegend': True, # 显示网格 'title': "loss", 'xlabel': "rate", # x轴标签 'ylabel': "loss", # y轴标签 },)window_w = viz.line( X=[0.1], # x坐标 Y=[0.], # y值 win="line_w_1", # 窗口id name=name_1, # 线条名称 update='append', # 以增加形式退出 opts={ 'showlegend': True, # 显示网格 'title': "W value", 'xlabel': "rate", # x轴标签 'ylabel': "w", # y轴标签 },)window_b = viz.line( X=[0.1], # x坐标 Y=[0.], # y值 win="line_b_1", # 窗口id name=name_1, # 线条名称 update='append', # 以增加形式退出 opts={ 'showlegend': True, # 显示网格 'title': "b value", 'xlabel': "rate", # x轴标签 'ylabel': "b", # y轴标签 },)在迭代训练中，每次result生成的后果为([loss_A, loss_B, loss_C],[A_w,B_w, C_w],[A_b, B_b, C_b])
for i in range(9): va = 'append' if i == 0: va = "replace" rate += 0.1 result = main() #result： ([loss_A, loss_B, loss_C],[A_w,B_w, C_w],[A_b, B_b, C_b]) viz.line(X=[rate], Y=[result[0][0]],name=name_1, win=window_loss, update=va) viz.line(X=[rate], Y=[result[0][1]],name=name_2, win=window_loss, update=va) viz.line(X=[rate], Y=[result[0][2]],name=name_3, win=window_loss, update=va) viz.line(X=[rate], Y=[result[1][0]],name=name_1, win=window_w, update=va) viz.line(X=[rate], Y=[result[1][1]],name=name_2, win=window_w, update=va) viz.line(X=[rate], Y=[result[1][2]],name=name_3, win=window_w, update=va) viz.line(X=[rate], Y=[result[2][0]],name=name_1, win=window_b, update=va) viz.line(X=[rate], Y=[result[2][1]],name=name_2, win=window_b, update=va) viz.line(X=[rate], Y=[result[2][2]],name=name_3, win=window_b, update=va)关上网页
假使是在机器学习、深度学习中：
#训练模型vis = visdom.Visdom(env='main') # 设置环境窗口的名称,如果不设置名称就默认为mainopt = { 'xlabel': 'epochs', 'ylabel': 'loss_value', 'title': 'SGD_loss' }loss_window = vis.line( X=[0], Y=[0], opts=opt)for epoch in range(400): y_pred = model(x_data) loss = criterion(y_pred, y_data) print(epoch, loss.item()) #所有梯度归零化 optimizer.zero_grad() #反向流传求出梯度 loss.backward() #更新权重和偏置值，即w和b optimizer.step() vis.line(X=[epoch], Y=[loss.item()], win=loss_window, opts=opt, update='append')五、个别绘图
放在“main”上面,可疏忽参数。在jupyter notebook中执行代码：
import visdomimport numpy as npvis = visdom.Visdom()vis.text('Hello, world!')vis.image(np.ones((3, 10, 10)))import visdomvis = visdom.Visdom()trace = dict(x=[1, 2, 3], y=[4, 5, 6], mode="markers+lines", type='custom', marker={'color': 'red', 'symbol': 104, 'size': "10"}, text=["one", "two", "three"], name='1st Trace')layout = dict(title="First Plot", xaxis={'title': 'x1'}, yaxis={'title': 'x2'})vis._send({'data': [trace], 'layout': layout, 'win': 'mywin'})from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionfrom __future__ import unicode_literalsfrom visdom import Visdomimport numpy as npimport mathimport os.pathimport getpassfrom sys import platform as _platformfrom six.moves import urllibviz = Visdom()assert viz.check_connection()try: import matplotlib.pyplot as plt plt.plot([1, 23, 2, 4]) plt.ylabel('some numbers') viz.matplot(plt)except BaseException as err: print('Skipped matplotlib example') print('Error message: ', err)#单张viz.image( np.random.rand(3, 512, 256), opts=dict(title='Random!', caption='How random.'),)#多张viz.images( np.random.randn(20, 3, 64, 64), opts=dict(title='Random images', caption='How random.'))#画出随机的散点图import timeY = np.random.rand(100)old_scatter = viz.scatter( X=np.random.rand(100, 2), Y=(Y[Y > 0] + 1.5).astype(int), opts=dict( legend=['Didnt', 'Update'], xtickmin=-50, xtickmax=50, xtickstep=0.5, ytickmin=-50, ytickmax=50, ytickstep=0.5, markersymbol='cross-thin-open', ),)time.sleep(5)#对窗口进行更新,包含标注,坐标,款式等viz.update_window_opts( win=old_scatter, opts=dict( legend=['Apples', 'Pears'], xtickmin=0, xtickmax=1, xtickstep=0.5, ytickmin=0, ytickmax=1, ytickstep=0.5, markersymbol='cross-thin-open', ),)## 通过update='new'增加新散点import timewin = viz.scatter( X=np.random.rand(255, 2), opts=dict( markersize=10, markercolor=np.random.randint(0, 255, (255, 3,)), ),)# 判断窗口是否存在assert viz.win_exists(win), 'Created window marked as not existing'time.sleep(2)# 向散点图中退出新的形容viz.scatter( X=np.random.rand(255), Y=np.random.rand(255), win=win, name='new_trace', update='new')# 2D散点图,调配不同色彩viz.scatter( X=np.random.rand(255, 2), #随机指定1或者2 Y=(np.random.rand(255) + 1.5).astype(int), opts=dict( markersize=10, ## 调配两种色彩 markercolor=np.random.randint(0, 255, (2, 3,)), ),)#3D 散点图viz.scatter( X=np.random.rand(100, 3), Y=(Y + 1.5).astype(int), opts=dict( legend=['Men', 'Women'], markersize=5, ))viz.line(Y=np.random.rand(10), opts=dict(showlegend=True))Y = np.linspace(-5, 5, 100)viz.line( Y=np.column_stack((Y * Y, np.sqrt(Y + 5))), X=np.column_stack((Y, Y)), opts=dict(markers=False),)viz.bar(X=np.random.rand(20))viz.bar( X=np.abs(np.random.rand(5, 3)), opts=dict( stacked=True, legend=['Facebook', 'Google', 'Twitter'], rownames=['2012', '2013', '2014', '2015', '2016'] ))viz.bar( X=np.random.rand(20, 3), opts=dict( stacked=False, legend=['The Netherlands', 'France', 'United States'] ))viz.heatmap( X=np.outer(np.arange(1, 6), np.arange(1, 11)), opts=dict( columnnames=['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'], rownames=['y1', 'y2', 'y3', 'y4', 'y5'], colormap='Electric', ))# contourx = np.tile(np.arange(1, 101), (100, 1))y = x.transpose()X = np.exp((((x - 50) ** 2) + ((y - 50) ** 2)) / -(20.0 ** 2))viz.contour(X=X, opts=dict(colormap='Viridis'))# surfaceviz.surf(X=X, opts=dict(colormap='Hot'))# boxplotX = np.random.rand(100, 2)X[:, 1] += 2viz.boxplot( X=X, opts=dict(legend=['Men', 'Women']))# stemplotY = np.linspace(0, 2 * math.pi, 70)X = np.column_stack((np.sin(Y), np.cos(Y)))viz.stem( X=X, Y=Y, opts=dict(legend=['Sine', 'Cosine']))# quiver plotX = np.arange(0, 2.1, .2)Y = np.arange(0, 2.1, .2)X = np.broadcast_to(np.expand_dims(X, axis=1), (len(X), len(X)))Y = np.broadcast_to(np.expand_dims(Y, axis=0), (len(Y), len(Y)))U = np.multiply(np.cos(X), Y)V = np.multiply(np.sin(X), Y)viz.quiver( X=U, Y=V, opts=dict(normalize=0.9),)# text window with Callbackstxt = 'This is a write demo notepad. Type below. Delete clears text:<br>'callback_text_window = viz.text(txt)# pie chartX = np.asarray([19, 26, 55])viz.pie(X=X,opts=dict(legend=['Residential', 'Non-Residential', 'Utility']))# mesh plotx = [0, 0, 1, 1, 0, 0, 1, 1]y = [0, 1, 1, 0, 0, 1, 1, 0]z = [0, 0, 0, 0, 1, 1, 1, 1]X = np.c_[x, y, z]i = [7, 0, 0, 0, 4, 4, 6, 6, 4, 0, 3, 2]j = [3, 4, 1, 2, 5, 6, 5, 2, 0, 1, 6, 3]k = [0, 7, 2, 3, 6, 7, 1, 1, 5, 5, 7, 6]Y = np.c_[i, j, k]viz.mesh(X=X, Y=Y, opts=dict(opacity=0.5))生成的图片
六、根本调整与保留文件
在下面应用代码生成的这些图片，我应该怎么保留呢？我下次再关上网页，能不能还是显示这样的动静网页呢？我能不能调整某一个图片大小，显示它的数据之类的呢？答案是必定的！
1、调整大小、拖拽：长按拖动即可，右下角落长按挪动即可放大放大
2、查看图片对应的数据：点击右下角Edit，会跳转到新网页，能够灵便进行数据调整
3、图内控件调整：比方，放大某一区域，或者图内整体放大放大等等
4、保留单个图
5、保留整个环境：逐渐将每个文件夹都保留一下
点击文件夹图标，而后更改名称，再点击fork,再点击“save”，即可保留，咱们将上图中的4个文件夹都进行保留。
还有许多其余性能，自行理解
此时，能够敞开网页，敞开黑框框，不必放心数据失落。
6、从新加载关上环境
很久当前，当咱们须要查看这些图形的时候，不须要从新跑代码，间接启动服务，关上网页即可。
同样的操作：在黑框框中启动服务关上网页。应用python -m visdom.server启动服务。并在浏览器中输出提醒的端口，那么咱们就能够看到之前生成的图形了。
7、不小心敞开了网页
只有黑框框没有敞开，不小心将网页敞开了，没有关系，数据不会失落，从新复制端口在浏览器中拜访即可。
本文由mdnice多平台公布