visdom的安装和使用记录

1、概述

pytorch的可视化工具Visdom，是一个用于创建，组织和共享实时丰富数据的可视化工具。深度学习模型训练过程钟常使用数据visdom进行整个过程的loss记录，acc记录，训练中间热力图记录等，主要支持Torch和Numpy两种类型。

2、安装

• 脚本安装

# 安装visdom
conda activate based_env
pip install visdom

• 测试是否安装成功
  直接使用默认参数启动visdom,如果显示It’s Alive!，则说明安装成功。
  

• trouble-shooting
  如果没有安装成功，则可以参考如下文章进行解决visdom安装问题解决

• 启动visdom的server端
  启动server端有以下参数：
  port：server端运行的端口
  hostname：server端的主机名称
  base_url：server的url（default=/）
  env_path：序列化会话的路径，主要为了用于重新加载
  logging_level：日志级别（默认为INFO，可使用标准文本和数字记录值
  readonly：只读模式启动服务器标志
  enable_login：服务器设置身份验证，需要用户名和密码才能登录
  
  通常是直接启动就行，使用默认设定的参数

  进入你的虚拟环境后
  >> python -m visdom.server 或者 visdom
  >> visdom -h
  

3、使用

• visdom.image
  该函数主要用于画图，图像需要是CHW的格式，如果图片没有转化成相同形式，则会报错
  函数支持的opts有以下三种：
  jpgquality：图像品质参数，参数为0-100
  caption:图像描述
  store_history：保存所有的图片在一个窗口，可以通过点击窗体下方的滑动条上线翻看滑动，参数值：True/False

  img_path = r'D:\Users\User\Desktop\H4A062HDF01\1.png'
  img = cv2.imread(img_path)
  img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB).transpose(2, 0, 1)
  vis = visdom.Visdom(env='my_test')
  vis.image(img=img, win='img_demo', opts={
        
        'jpgquality': 100, 'caption': 'one ', 'store_history': True})
  

  

• visdom.images
  该函数类似于visdom.image,主要用于绘制多张图片，要求输入数据是BCHW的tensor或者具有相同大小的图片list，图片网格大小为（B/行数， 行数）
  可选的参数如下所示
  nrow：每一行图片的数量
  padding:图片四周的padding
  opts有如下可以设定
  jpgquality：图像品质参数，参数为0-100
  caption:图像描述

  vis = visdom.Visdom(env='my_test')
  vis.images(np.random.randn(20,3,60,60),
             nrow=4,
             win='imgs_demo', opts=dict(jpgquality=50,caption='hahahh'))
  

• visdom.text
  该函数主要是在一个box中打印文本

vis = visdom.Visdom(env='my_test')
vis.text('{}.{}.{}'.format('hello','world','你好'),win='imgs_demo')

• visdom.line
  该函数主要用于绘制线条。输入参数Y是N或者NM大小的tensor，指定了M条线的N个点进行绘制；同时，可以使用X来设定x轴方向的值，X可以是N或者NM的（与Y的大小相一致）大小
  update 可以用于更新已经绘制的图像上的线条，可选参数有：1、append 新数据, 2、replace用新数据代替旧数据,3、remove：使用name进行数据的移除
  opt参数：
  opts.fillarea : fill area below line (boolean)
  opts.markers : show markers (boolean; default = false)
  opts.markersymbol: marker symbol (string; default = ‘dot’)
  opts.markersize : marker size (number; default = ‘10’)
  opts.linecolor : line colors (np.array; default = None)
  opts.dash : line dash type for each line (np.array; default = ‘solid’), one of solid, dash, dashdot or dash, size should match number of lines being drawn
  opts.legend : table containing legend names
  opts.layoutopts : dict of any additional options that the graph backend accepts for a layout. For example layoutopts = {‘plotly’: {‘legend’: {‘x’:0, ‘y’:0}}}.
  opts.traceopts : dict mapping trace names or indices to dicts of additional options that plot.ly accepts for a trace.
  opts.webgl : use WebGL for plotting (boolean; default = false). It is faster if a plot contains too many points. Use sparingly as browsers won’t allow more than a couple of WebGL contexts on a single page.

 vis = visdom.Visdom(env='my_test')
 my_win = vis.line(
     Y=np.array([10, 9, 8, 7, 6]),
     X=np.array([15, 16, 17, 18, 19]),
     opts={
    
    'showlegend': True, 'legend': ['sinx']},
 )
 for i in range(10):
     x = np.random.randint(1, 10, 1)
     y = np.random.randint(100, 200, 1)
     vis.line(X=x, Y=y, win=my_win, update='append')

• visdom.bar

–未完待续–