PyTorch可视化工具——使用Visdom进行深度学习可视化

前置环境

• 深度学习开发环境 Anaconda PyTorch
• Jupyter Notebook

Visdom

• Visdom是Facebook Research开发的一款开源可视化工具，专门为PyTorch等深度学习框架设计，但也可以用于其他机器学习任务的可视化。它提供了一个轻量级的Web服务，允许用户在浏览器中实时查看训练过程中的各种指标、图像和其他数据。
• Visdom的主要特点包括：实时可视化训练过程、支持多种数据类型（标量、图像、文本、直方图等）、简单的API接口、可远程访问的Web界面、支持多环境组织实验。
• Visdom可以直接接受来自PyTorch的张量，而不用转换成NumPy中的数组，运行效率很高。此外，Visdom可以直接在内存中获取数据，具有毫秒级刷新，速度很快。

安装并启动Visdom

• Visdom本质上时一个类似于Jupyter Notebook的web服务器，在使用前需要在终端打开服务。

0. 进入anaconda虚拟环境：

conda activate env_name

1. 安装Visdom非常简单，只需使用pip：

pip install visdom

2. 安装完成后，启动Visdom服务器：

python -m visdom.server

• 默认情况下，Visdom会在http://localhost:8097启动服务。

Visdom图形API

Visdom静态更新API详解

API名称	图形类型	描述	主要参数
vis.scatter	2D/3D散点图	绘制二维或三维散点图	X: 数据点坐标 Y: 数据点标签(可选) opts: 标题/颜色/大小等选项
vis.line	线图	绘制单条或多条线图，常用于展示训练曲线	X: x轴数据 Y: y轴数据 opts: 标题/图例/坐标轴标签等选项
vis.updateTrace	更新线图	更新现有的线图或散点图数据	X: 新x数据 Y: 新y数据 win: 要更新的窗口名 name: 线名称(可选)
vis.stem	茎叶图	绘制离散数据的茎叶图	X: x轴数据 Y: y轴数据 opts: 标题/线条样式等选项
vis.heatmap	热力图	用颜色矩阵表示数据值大小	X: 矩阵数据 opts: 标题/颜色映射/x,y轴标签等选项
vis.bar	条形图	绘制垂直或水平条形图	X: 条形数据 opts: 标题/堆叠/方向(水平或垂直)等选项
vis.histogram	直方图	展示数据分布情况	X: 输入数据 opts: 标题/箱数/颜色等选项
vis.boxplot	箱线图	展示数据分布的五数概括(最小值、Q1、中位数、Q3、最大值)	X: 输入数据 opts: 标题/异常值显示等选项
vis.surf	表面图	绘制三维表面图	X: 矩阵数据 opts: 标题/颜色映射/光照等选项
vis.contour	等高线图	绘制二维等高线图	X: 矩阵数据 opts: 标题/线数/颜色映射等选项
vis.quiver	矢量场图	绘制二维矢量场(箭头图)	X: 起点坐标 Y: 矢量分量 opts: 标题/箭头大小/颜色等选项
vis.mesh	网格图	绘制三维网格图	X: 顶点坐标 Y: 面索引 opts: 标题/颜色/光照等选项

通用参数说明

1. win: 可选参数，指定要绘制或更新的窗口名称。如果不指定，Visdom会自动分配一个新的pane。如果两次操作指定的win名字一样，新的操作将覆盖当前的pane内容，因此建议每次操作都重新指定win。
2. opts: 字典形式的选项参数，可设置标题(title)、图例(legend)、坐标轴标签(xlabel/ylabel)、宽度(width)等，主要用于设置pane的显示格式。
3. 大多数API接受PyTorch Tensor或Numpy数组作为输入数据。但不支持Python的int、float等类型，因此每次传入时都需先将数据转化成ndarray或tensor。
4. env: 指定可视化环境(默认为’main’)，用于组织不同实验的可视化结果。Visdom允许创建不同的"环境"来组织实验：

# 创建一个新环境
vis = visdom.Visdom(env='my_experiment')# 保存当前环境
vis.save(['my_experiment'])

使用示例

import visdom
import numpy as npvis = visdom.Visdom()# 线图示例
vis.line(X=np.arange(10),Y=np.random.rand(10),opts=dict(title='Random Line', showlegend=True)
)# 散点图示例
vis.scatter(X=np.random.rand(100, 2),Y=(np.random.rand(100) > 0.5).astype(int)+1,opts=dict(title='2D Scatter', markersize=10)
)

Visdom动态更新API详解

• 在深度学习训练过程中，我们经常需要实时更新可视化图表来监控训练进度。Visdom提供了两种主要方式来实现数据的动态更新：

1. 使用update='append'参数

• 最基础的动态更新方式，适用于大多数绘图API。

参数	取值	效果
update	None(默认)	覆盖窗口中的现有内容
	'append'	在现有图形上追加数据点
	'replace'	替换整个图形（与None不同，会保留窗口设置）

使用示例：

import visdom
import numpy as npvis = visdom.Visdom()# 初始化线图
vis.line(X=[0],Y=[0.5],win='loss',opts=dict(title='Training Loss')
)# 模拟训练过程
for epoch in range(1, 10):loss = np.random.rand() * 0.1 + 1.0/(epoch+1)vis.line(X=[epoch],Y=[loss],win='loss',update='append'  # 关键参数，避免覆盖)

2. 使用vis.updateTrace方法

• 0.1.8版本之后已废弃

方法	功能
vis.updateTrace()	1. 在现有图形上追加数据点（类似update='append'） 2. 添加新的独立轨迹

参数说明：

参数	类型	说明
X	array/tensor	新x坐标
Y	array/tensor	新y坐标
win	str	目标窗口名称
name	str	轨迹名称（可选，用于区分多条轨迹）
append	bool	True=追加到现有轨迹，False=创建新轨迹（默认True）

使用示例：

# 方法一：在现有轨迹上追加数据（等效于update='append'）
vis.updateTrace(X=[epoch],Y=[train_loss],win='loss_win',name='train'  # 必须指定要更新的轨迹名称
)# 方法二：添加全新独立轨迹
vis.updateTrace(X=[epoch],Y=[val_loss],win='loss_win',name='validation',  # 新轨迹名称append=False  # 创建新轨迹
)

3. 完整训练监控示例

import visdom
import numpy as np
import timevis = visdom.Visdom(env='training_monitor')# 初始化所有窗口
vis.line(X=[0], Y=[0], win='loss', opts=dict(title='Loss', legend=['Train', 'Val']))
vis.line(X=[0], Y=[0], win='acc', opts=dict(title='Accuracy', legend=['Train', 'Val']))for epoch in range(1, 11):# 模拟训练数据train_loss = np.random.rand()*0.1 + 1.0/epochval_loss = np.random.rand()*0.1 + 1.2/epochtrain_acc = 1 - train_loss + np.random.rand()*0.1val_acc = 1 - val_loss + np.random.rand()*0.1# 更新损失曲线（两种方式等价）vis.line(X=[epoch], Y=[train_loss],win='loss', name='Train',update='append')vis.line(X=[epoch], Y=[val_loss],win='loss', name='Val',update='append')# 更新准确率曲线vis.line(X=[epoch], Y=[train_acc],win='acc', name='Train',update='append')vis.line(X=[epoch], Y=[val_acc],win='acc', name='Val',update='append')# 每5个epoch可视化一批样本if epoch % 5 == 0:samples = np.random.rand(16, 3, 64, 64)  # 模拟图像数据vis.images(samples,win='samples',opts=dict(title=f'Epoch {epoch} Samples'))time.sleep(0.5)  # 模拟训练时间

Visdom可视化操作

散点图plot.scatter()

• scatter函数用来画2D或3D数据的散点图。需要输入$N\times 2$或$N\times 3$的张量来指定N个点的位置。一个可供选择的长度为N的向量用来保存X中的点对应的标签。标签可以通过点的颜色反应出来。
• Visdom vis.scatter 参数与选项说明

参数/选项	类型	描述	默认值	注意事项
基本参数
X	Tensor/ndarray	N×2(2D)或N×3(3D)数据点坐标	必填	不支持Python列表
Y	Tensor/ndarray	长度为N的标签向量(可选)	None	用于分类着色
win	str	目标窗口名称	自动生成	留空则创建新窗口
标记样式选项
opts.markersymbol	str	标记形状	'dot'	可选：‘circle’, ‘cross’, 'diamond’等
opts.markersize	int	标记大小(像素)	10	非字符串类型
opts.markercolor	Tensor/ndarray	颜色设置	自动分配	见下方颜色规则
布局选项
opts.legend	list	图例名称列表	None	需与Y的类别数匹配
opts.textlabels	list	每个点的文本标签	None	长度需等于N
opts.webgl	bool	启用WebGL加速	False	大数据量时建议开启
高级选项
opts.layoutopts	dict	Plotly布局参数	None	如{'plotly': {'legend': {'x':0}}}
opts.traceopts	dict	Plotly轨迹参数	None	如{'plotly': {'mode':'markers'}}

• markercolor 颜色编码规则

输入形状	颜色模式	示例值	效果
N	单通道灰度	[0,127,255]	0(黑)→255(红)
N×3	RGB三通道	[[0,0,255], [255,0,0]]	蓝→红
K	类别单通道	[255, 0]	类别1红/类别2黑
K×3	类别RGB	[[255,0,0], [0,255,0]]	类别1红/类别2绿

散点图案例

• 简单散点图

import visdom
import numpy as npvis=visdom.Visdom(env='training_monitor')Y=np.random.rand(100)old_scatter=vis.scatter(X=np.random.rand(100,2),Y=(Y[Y>0]+1.5).astype(int),opts=dict(legend=['Didnt', 'Update'], # 图例标签xtickmin=-50, # x轴刻度最小值xtickmax=50, # x轴刻度最大值xtickstep=0.5, # x轴刻度间隔ytickmin=-50, # y轴刻度最小值ytickmax=50, # y轴刻度最大值ytickstep=0.5, # y轴刻度间隔markersymbol='cross-thin-open', # 标记符号)
)
# 使用update_window_opts函数更新之前绘制的散点图的配置选项
vis.update_window_opts(win=old_scatter,opts=dict(legend=['2019年', '2020年'],xtickmin=0,xtickmax=1,xtickstep=0.5,ytickmin=0,ytickmax=1,ytickstep=0.5,markersymbol='cross-thin-open',),
)

• 带文本标签的散点图

# 带文本标签的散点图
import visdom
import numpy as np
vis=visdom.Visdom(env='training_monitor')
vis.scatter(X=np.random.rand(6, 2),opts=dict(textlabels=['Label %d' % (i + 1) for i in range(6)])
)

• 3D散点图

#三维散点图
import visdom
import numpy as np
# 设置环境
vis=visdom.Visdom(env='training_monitor')
# 绘制3D散点图
vis.scatter(# X轴数据 随机生成100行3列数据X=np.random.rand(100, 3),# Y轴数据 随机生成100行1列数据Y=(Y + 1.5).astype(int),opts=dict(legend=['男性', '女性'], # 图例标签markersize=5, # 标记大小xtickmin=0, # x轴刻度最小值xtickmax=2, # x轴刻度最大值xlabel='数量', # x轴标签xtickvals=[0, 0.75, 1.6, 2], # x轴刻度值ytickmin=0, # y轴刻度最小值ytickmax=2, # y轴刻度最大值ytickstep=0.5, # y轴刻度间隔ztickmin=0, # z轴刻度最小值ztickmax=1, # z轴刻度最大值ztickstep=0.5, # z轴刻度间隔)
)

线性图vis.line()

vis.line() 参数说明

参数	类型	描述	默认值	注意事项
X	Tensor/ndarray	X轴坐标值，N或N×M维	None	可省略（自动生成0-N）
Y	Tensor/ndarray	Y轴坐标值，N或N×M维	必填	M表示线条数量
win	str	目标窗口名称	自动生成	留空则创建新窗口
opts	dict	绘图选项字典	None	见下方选项表格

---

opts 选项明细表

选项	类型	描述	默认值	有效值/示例
fillarea	bool	是否填充线下区域	False	True/False
markers	bool	是否显示数据点标记	False	True/False
markersymbol	str	标记形状	'dot'	'circle', 'cross', 'diamond'等
markersize	int	标记大小（像素）	10	正整数（如 15）
linecolor	np.array	线条颜色数组	None	RGB数组，如 np.array([255,0,0])
dash	np.array	线条类型数组	'solid'	'dash', 'dot', 'dashdot'
legend	list	图例名称列表	None	['Train', 'Val']
layoutopts	dict	Plotly布局扩展选项	None	{'plotly': {'legend': {'x':0, 'y':1}}}
traceopts	dict	Plotly轨迹扩展选项	None	{'plotly': {'mode':'lines+markers'}}
webgl	bool	是否启用WebGL加速	False	大数据量时建议 True

---

关键特性说明

1. X/Y维度规则：

   • 单线模式：Y为N×1，X为N×1（或省略）
   • 多线模式：Y为N×M，X为N×M或N×1（共享X轴）

2. 颜色与线条控制：

   opts = {'linecolor': np.array([[255,0,0], [0,0,255]]),  # 第一条红，第二条蓝'dash': np.array(['solid', 'dash'])  # 第一条实线，第二条虚线
   }
   

线性图案例

• 简单线性图

import numpy as np
import visdomvis = visdom.Visdom()# 基本线图
vis.line(Y=np.random.rand(10),opts=dict(title='Basic Line', markers=True)
)# 多线带图例
vis.line(X=np.arange(10),Y=np.column_stack([np.sin(np.arange(10)), np.cos(np.arange(10))]),opts=dict(title='Trig Functions',legend=['Sin', 'Cos'],linecolor=np.array([[255,0,0], [0,0,255]]),  # 红蓝双线dash=np.array(['solid', 'dash']) )
)

• 实线、虚线的线条图

#实线、虚线等不同线
import visdom
import numpy as npvis=visdom.Visdom(env='training_monitor')
# 绘制三种线
win = vis.line(#  X轴数据 将三个在0和1之间的等差数列组成一个3列的矩阵X=np.column_stack((np.arange(0, 10),np.arange(0, 10),np.arange(0, 10),)),# Y轴数据 将三个在5和10之间的线性插值分别加上5、10后组成一个3列的矩阵Y=np.column_stack((np.linspace(5, 10, 10),np.linspace(5, 10, 10) + 5,np.linspace(5, 10, 10) + 10,)),opts={'dash': np.array(['solid', 'dash', 'dashdot']),'linecolor': np.array([[0, 191, 255],[0, 191, 255],[255, 0, 0],]),'title': '不同类型的线'}
)
# 在之前创建的窗口win上继续绘制线条
vis.line(X=np.arange(0, 10), # X轴数据Y=np.linspace(5, 10, 10) + 15, # Y轴数据win=win, # 使用之前创建的窗口name='4', # 线条名称update='insert', # 更新方式为插入opts={ # 绘制选项'linecolor': np.array([ # 线条颜色[255, 0, 0], # 红色]),'dash': np.array(['dot']), # 线条样式 只包含点}
)

• 堆叠区域线性图

#堆叠区域
import visdom
import numpy as npvis=visdom.Visdom(env='training_monitor')Y = np.linspace(0, 4, 200)
win = vis.line(Y=np.column_stack((np.sqrt(Y), np.sqrt(Y) + 2)),X=np.column_stack((Y, Y)),opts=dict(fillarea=True, # 填充区域showlegend=False, # 不显示图例width=380, # 宽度height=330, # 高度ytype='log', # y轴类型title='堆积面积图', # 标题marginleft=30, # 左边距marginright=30, # 右边距marginbottom=80, # 底边距margintop=30, # 上边距),
)

茎叶图vis.stem

• 函数可绘制一个茎叶图。它接受一个N或N×M张量X作为输入，它指定M时间序列中N个点的值。还可以指定一个包含时间戳的可选N或NXM张量Y，如果Y是一个N张量，那么所有M个时间序列都假设有相同的时间戳。
• opts.colormap: 色图(string; default = 'Viridis')。
• opts.legend：包含图例名称的表。
• opts.layoutopts：图形后端为布局接受的任何附加选项的字典，比如layoutopts={plotly:{legend': {x':0, 'y':0}}}
  您完全正确！在Visdom的茎叶图(vis.stem)中，X和Y轴的设定确实容易让人混淆，因为它的参数命名与常规的数学绘图习惯相反。让我们重新梳理清楚：

---

🔄 Visdom茎叶图参数设计

在vis.stem(X, Y)中：

• Y参数：实际对应的是X轴数据（自变量）
• X参数：实际对应的是Y轴数据（因变量）

❓ 为什么Visdom这样设计

Visdom的API设计可能源于：

1. 数据优先原则：X参数接受主要可视化数据（函数值更关键）
2. 与线图一致：vis.line(Y=values)的延续性
3. 工程习惯：某些库将输入数据称为X（如机器学习中的特征矩阵）

---

💡 记忆技巧

想象茎叶图的物理形态：

• 茎（Stem）的根部固定在Y值（X轴）
• 茎的顶端达到X值（Y轴高度）

---

📊 修正后的代码解释

import math
import numpy as np
import visdomvis = visdom.Visdom(env='training_monitor')# 生成X轴数据（自变量：角度）
angles = np.linspace(0, 2 * math.pi, 70)  # 0到2π的70个点# 生成Y轴数据（因变量：函数值）
function_values = np.column_stack((np.sin(angles), np.cos(angles)))  # 两列：sin和cosvis.stem(X=function_values,  # 茎顶的位置（Y轴值）Y=angles,           # 茎的位置（X轴值）opts=dict(legend=['sin(θ)', 'cos(θ)'],title='茎叶图：sin和cos函数对比',xtickvals=np.arange(0, 7, 1).tolist(),      # 使用 .tolist() 转换为 Python 列表xticklabels=['0', '1', '2', '3', '4', '5', '6'],ytickvals=np.arange(-1, 1.5, 0.5).tolist()   # 同样使用 .tolist())
)

🖼️ 可视化效果说明

元素	对应数据	示例值
茎的位置	Y=angles	0, 0.1π, 0.2π,…
茎顶高度	X=function_values	sin(0)=0, cos(0)=1
X轴	角度（θ）	0到2π
Y轴	函数值	-1到1

---

深度学习训练案例

• 完整的PyTorch训练过程，使用Visdom进行可视化：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import visdom# 初始化Visdom
vis = visdom.Visdom(env='MNIST_Experiment')# 定义简单CNN模型
class SimpleCNN(nn.Module):def __init__(self):super(SimpleCNN, self).__init__()self.conv1 = nn.Conv2d(1, 10, kernel_size=5)self.conv2 = nn.Conv2d(10, 20, kernel_size=5)self.fc1 = nn.Linear(320, 50)self.fc2 = nn.Linear(50, 10)def forward(self, x):x = torch.relu(torch.max_pool2d(self.conv1(x), 2))x = torch.relu(torch.max_pool2d(self.conv2(x), 2))x = x.view(-1, 320)x = torch.relu(self.fc1(x))x = self.fc2(x)return torch.log_softmax(x, dim=1)# 准备数据
transform = transforms.Compose([transforms.ToTensor()])
train_dataset = datasets.MNIST('./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST('./data', train=False, transform=transform)train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=1000, shuffle=False)# 初始化模型和优化器
model = SimpleCNN()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
criterion = nn.NLLLoss()# 训练函数
def train(epoch):model.train()for batch_idx, (data, target) in enumerate(train_loader):optimizer.zero_grad()output = model(data)loss = criterion(output, target)loss.backward()optimizer.step()if batch_idx % 100 == 0:vis.line(X=[epoch * len(train_loader) + batch_idx],Y=[loss.item()],win='training_loss',update='append' if epoch + batch_idx > 0 else None,opts=dict(title='Training Loss', xlabel='Iterations', ylabel='Loss'))# 测试函数
def test(epoch):model.eval()test_loss = 0correct = 0with torch.no_grad():for data, target in test_loader:output = model(data)test_loss += criterion(output, target).item()pred = output.argmax(dim=1, keepdim=True)correct += pred.eq(target.view_as(pred)).sum().item()test_loss /= len(test_loader.dataset)accuracy = 100. * correct / len(test_loader.dataset)vis.line(X=[epoch],Y=[test_loss],win='test_loss',update='append' if epoch > 0 else None,opts=dict(title='Test Loss', xlabel='Epoch', ylabel='Loss'))vis.line(X=[epoch],Y=[accuracy],win='test_accuracy',update='append' if epoch > 0 else None,opts=dict(title='Test Accuracy', xlabel='Epoch', ylabel='Accuracy (%)'))# 可视化一些测试样本和预测结果if epoch % 5 == 0:sample_data = next(iter(test_loader))[0][:10]outputs = model(sample_data)preds = outputs.argmax(dim=1)vis.images(sample_data,opts=dict(title=f'Predictions at Epoch {epoch}', caption=' '.join(str(p.item()) for p in preds)))# 运行训练和测试
for epoch in range(1, 11):train(epoch)test(epoch)