快捷導(dǎo)航

pytorch visdom安裝開(kāi)啟及使用方法

更新時(shí)間：2021年04月21日 08:59:44 作者：yilyil

這篇文章主要介紹了pytorch visdom安裝開(kāi)啟及使用方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

安裝

conda activate ps 
pip install visdom

激活ps的環(huán)境，在指定的ps環(huán)境中安裝visdom

開(kāi)啟

python -m visdom.server

在這里插入圖片描述

瀏覽器輸入紅框內(nèi)的網(wǎng)址

在這里插入圖片描述

使用

1. 簡(jiǎn)單示例：一條線

from visdom import Visdom

# 創(chuàng)建一個(gè)實(shí)例
viz=Visdom()

# 創(chuàng)建一個(gè)直線，再把最新數(shù)據(jù)添加到直線上
# y x二維兩個(gè)軸，win 創(chuàng)建一個(gè)小窗口，不指定就默認(rèn)為大窗口，opts其他信息比如名稱
viz.line([1,2,3,4],[1,2,3,4],win="train_loss",opts=dict(title='train_loss'))

# 更一般的情況,因?yàn)橄旅鎦 x數(shù)據(jù)不存在，只是示例
#  append 添加到原來(lái)的后面，不然全部覆蓋掉
# viz.line([loss.item()],[global_step],win="train_loss",update='append')

在這里插入圖片描述

2. 簡(jiǎn)單示例：2條線

下面主要是[[y1],[y2]],[x] 兩條映射，legend就是線條名稱

from visdom import Visdom
viz=Visdom()
viz.line([[1,2],[5,6]],[1,2],win="loss_acc",opts=dict(title='train loss & acc',legend=['loss','acc']))

在這里插入圖片描述

3. 顯示圖片

from visdom import Visdom
viz=Visdom()
# data 是一個(gè)batch
viz.image(data.view(-1,1,28,28),win='x')
viz.text(str(pred.datach().cpu().numpy()),win='pred',opts=dict(title='pred'))

4. 手寫(xiě)數(shù)字示例

動(dòng)畫(huà)效果圖如下

在這里插入圖片描述

import  torch
import  torch.nn as nn
import  torch.nn.functional as F
import  torch.optim as optim
from    torchvision import datasets, transforms

from visdom import Visdom

batch_size=200
learning_rate=0.01
epochs=10

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       # transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        # transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=batch_size, shuffle=True)



class MLP(nn.Module):

    def __init__(self):
        super(MLP, self).__init__()

        self.model = nn.Sequential(
            nn.Linear(784, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 10),
            nn.LeakyReLU(inplace=True),
        )

    def forward(self, x):
        x = self.model(x)

        return x

device = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
criteon = nn.CrossEntropyLoss().to(device)

viz = Visdom()

viz.line([0.], [0.], win='train_loss', opts=dict(title='train loss'))
viz.line([[0.0, 0.0]], [0.], win='test', opts=dict(title='test loss&acc.',
                                                   legend=['loss', 'acc.']))
global_step = 0

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):
        data = data.view(-1, 28*28)
        data, target = data.to(device), target.cuda()

        logits = net(data)
        loss = criteon(logits, target)

        optimizer.zero_grad()
        loss.backward()
        # print(w1.grad.norm(), w2.grad.norm())
        optimizer.step()

        global_step += 1
        viz.line([loss.item()], [global_step], win='train_loss', update='append')

        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))


    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data = data.view(-1, 28 * 28)
        data, target = data.to(device), target.cuda()
        logits = net(data)
        test_loss += criteon(logits, target).item()

        pred = logits.argmax(dim=1)
        correct += pred.eq(target).float().sum().item()

    viz.line([[test_loss, correct / len(test_loader.dataset)]],
             [global_step], win='test', update='append')
    viz.images(data.view(-1, 1, 28, 28), win='x')
    viz.text(str(pred.detach().cpu().numpy()), win='pred',
             opts=dict(title='pred'))

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

到此這篇關(guān)于pytorch visdom安裝開(kāi)啟及使用方法的文章就介紹到這了,更多相關(guān)pytorch visdom使用內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: