前置環境

• 深度學習開發環境 Anaconda PyTorch
• Jupyter Notebook

Visdom

• Visdom是Facebook Research開發的一款開源可視化工具，專門為PyTorch等深度學習框架設計，但也可以用于其他機器學習任務的可視化。它提供了一個輕量級的Web服務，允許用戶在瀏覽器中實時查看訓練過程中的各種指標、圖像和其他數據。
• Visdom的主要特點包括：實時可視化訓練過程、支持多種數據類型（標量、圖像、文本、直方圖等）、簡單的API接口、可遠程訪問的Web界面、支持多環境組織實驗。
• Visdom可以直接接受來自PyTorch的張量，而不用轉換成NumPy中的數組，運行效率很高。此外，Visdom可以直接在內存中獲取數據，具有毫秒級刷新，速度很快。

安裝并啟動Visdom

• Visdom本質上時一個類似于Jupyter Notebook的web服務器，在使用前需要在終端打開服務。

0. 進入anaconda虛擬環境：

conda activate env_name

1. 安裝Visdom非常簡單，只需使用pip：

pip install visdom

2. 安裝完成后，啟動Visdom服務器：

python -m visdom.server

• 默認情況下，Visdom會在http://localhost:8097啟動服務。

Visdom圖形API

Visdom靜態更新API詳解

API名稱	圖形類型	描述	主要參數
vis.scatter	2D/3D散點圖	繪制二維或三維散點圖	X: 數據點坐標 Y: 數據點標簽(可選) opts: 標題/顏色/大小等選項
vis.line	線圖	繪制單條或多條線圖，常用于展示訓練曲線	X: x軸數據 Y: y軸數據 opts: 標題/圖例/坐標軸標簽等選項
vis.updateTrace	更新線圖	更新現有的線圖或散點圖數據	X: 新x數據 Y: 新y數據 win: 要更新的窗口名 name: 線名稱(可選)
vis.stem	莖葉圖	繪制離散數據的莖葉圖	X: x軸數據 Y: y軸數據 opts: 標題/線條樣式等選項
vis.heatmap	熱力圖	用顏色矩陣表示數據值大小	X: 矩陣數據 opts: 標題/顏色映射/x,y軸標簽等選項
vis.bar	條形圖	繪制垂直或水平條形圖	X: 條形數據 opts: 標題/堆疊/方向(水平或垂直)等選項
vis.histogram	直方圖	展示數據分布情況	X: 輸入數據 opts: 標題/箱數/顏色等選項
vis.boxplot	箱線圖	展示數據分布的五數概括(最小值、Q1、中位數、Q3、最大值)	X: 輸入數據 opts: 標題/異常值顯示等選項
vis.surf	表面圖	繪制三維表面圖	X: 矩陣數據 opts: 標題/顏色映射/光照等選項
vis.contour	等高線圖	繪制二維等高線圖	X: 矩陣數據 opts: 標題/線數/顏色映射等選項
vis.quiver	矢量場圖	繪制二維矢量場(箭頭圖)	X: 起點坐標 Y: 矢量分量 opts: 標題/箭頭大小/顏色等選項
vis.mesh	網格圖	繪制三維網格圖	X: 頂點坐標 Y: 面索引 opts: 標題/顏色/光照等選項

通用參數說明

1. win: 可選參數，指定要繪制或更新的窗口名稱。如果不指定，Visdom會自動分配一個新的pane。如果兩次操作指定的win名字一樣，新的操作將覆蓋當前的pane內容，因此建議每次操作都重新指定win。
2. opts: 字典形式的選項參數，可設置標題(title)、圖例(legend)、坐標軸標簽(xlabel/ylabel)、寬度(width)等，主要用于設置pane的顯示格式。
3. 大多數API接受PyTorch Tensor或Numpy數組作為輸入數據。但不支持Python的int、float等類型，因此每次傳入時都需先將數據轉化成ndarray或tensor。
4. env: 指定可視化環境(默認為’main’)，用于組織不同實驗的可視化結果。Visdom允許創建不同的"環境"來組織實驗：

# 創建一個新環境
vis = visdom.Visdom(env='my_experiment')# 保存當前環境
vis.save(['my_experiment'])

使用示例

import visdom
import numpy as npvis = visdom.Visdom()# 線圖示例
vis.line(X=np.arange(10),Y=np.random.rand(10),opts=dict(title='Random Line', showlegend=True)
)# 散點圖示例
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動態更新API詳解

• 在深度學習訓練過程中，我們經常需要實時更新可視化圖表來監控訓練進度。Visdom提供了兩種主要方式來實現數據的動態更新：

1. 使用update='append'參數

• 最基礎的動態更新方式，適用于大多數繪圖API。

參數	取值	效果
update	None(默認)	覆蓋窗口中的現有內容
	'append'	在現有圖形上追加數據點
	'replace'	替換整個圖形（與None不同，會保留窗口設置）

使用示例：

import visdom
import numpy as npvis = visdom.Visdom()# 初始化線圖
vis.line(X=[0],Y=[0.5],win='loss',opts=dict(title='Training Loss')
)# 模擬訓練過程
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'  # 關鍵參數，避免覆蓋)

2. 使用vis.updateTrace方法

• 0.1.8版本之后已廢棄

方法	功能
vis.updateTrace()	1. 在現有圖形上追加數據點（類似update='append'） 2. 添加新的獨立軌跡

參數說明：

參數	類型	說明
X	array/tensor	新x坐標
Y	array/tensor	新y坐標
win	str	目標窗口名稱
name	str	軌跡名稱（可選，用于區分多條軌跡）
append	bool	True=追加到現有軌跡，False=創建新軌跡（默認True）

使用示例：

# 方法一：在現有軌跡上追加數據（等效于update='append'）
vis.updateTrace(X=[epoch],Y=[train_loss],win='loss_win',name='train'  # 必須指定要更新的軌跡名稱
)# 方法二：添加全新獨立軌跡
vis.updateTrace(X=[epoch],Y=[val_loss],win='loss_win',name='validation',  # 新軌跡名稱append=False  # 創建新軌跡
)

3. 完整訓練監控示例

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):# 模擬訓練數據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# 更新損失曲線（兩種方式等價）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')# 更新準確率曲線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個epoch可視化一批樣本if epoch % 5 == 0:samples = np.random.rand(16, 3, 64, 64)  # 模擬圖像數據vis.images(samples,win='samples',opts=dict(title=f'Epoch {epoch} Samples'))time.sleep(0.5)  # 模擬訓練時間

Visdom可視化操作

散點圖plot.scatter()

• scatter函數用來畫2D或3D數據的散點圖。需要輸入$N\times 2$或$N\times 3$的張量來指定N個點的位置。一個可供選擇的長度為N的向量用來保存X中的點對應的標簽。標簽可以通過點的顏色反應出來。
• Visdom vis.scatter 參數與選項說明

參數/選項	類型	描述	默認值	注意事項
基本參數
X	Tensor/ndarray	N×2(2D)或N×3(3D)數據點坐標	必填	不支持Python列表
Y	Tensor/ndarray	長度為N的標簽向量(可選)	None	用于分類著色
win	str	目標窗口名稱	自動生成	留空則創建新窗口
標記樣式選項
opts.markersymbol	str	標記形狀	'dot'	可選：‘circle’, ‘cross’, 'diamond’等
opts.markersize	int	標記大小(像素)	10	非字符串類型
opts.markercolor	Tensor/ndarray	顏色設置	自動分配	見下方顏色規則
布局選項
opts.legend	list	圖例名稱列表	None	需與Y的類別數匹配
opts.textlabels	list	每個點的文本標簽	None	長度需等于N
opts.webgl	bool	啟用WebGL加速	False	大數據量時建議開啟
高級選項
opts.layoutopts	dict	Plotly布局參數	None	如{'plotly': {'legend': {'x':0}}}
opts.traceopts	dict	Plotly軌跡參數	None	如{'plotly': {'mode':'markers'}}

• markercolor 顏色編碼規則

輸入形狀	顏色模式	示例值	效果
N	單通道灰度	[0,127,255]	0(黑)→255(紅)
N×3	RGB三通道	[[0,0,255], [255,0,0]]	藍→紅
K	類別單通道	[255, 0]	類別1紅/類別2黑
K×3	類別RGB	[[255,0,0], [0,255,0]]	類別1紅/類別2綠

散點圖案例

• 簡單散點圖

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'], # 圖例標簽xtickmin=-50, # x軸刻度最小值xtickmax=50, # x軸刻度最大值xtickstep=0.5, # x軸刻度間隔ytickmin=-50, # y軸刻度最小值ytickmax=50, # y軸刻度最大值ytickstep=0.5, # y軸刻度間隔markersymbol='cross-thin-open', # 標記符號)
)
# 使用update_window_opts函數更新之前繪制的散點圖的配置選項
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',),
)

• 帶文本標簽的散點圖

# 帶文本標簽的散點圖
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散點圖

#三維散點圖
import visdom
import numpy as np
# 設置環境
vis=visdom.Visdom(env='training_monitor')
# 繪制3D散點圖
vis.scatter(# X軸數據 隨機生成100行3列數據X=np.random.rand(100, 3),# Y軸數據 隨機生成100行1列數據Y=(Y + 1.5).astype(int),opts=dict(legend=['男性', '女性'], # 圖例標簽markersize=5, # 標記大小xtickmin=0, # x軸刻度最小值xtickmax=2, # x軸刻度最大值xlabel='數量', # x軸標簽xtickvals=[0, 0.75, 1.6, 2], # x軸刻度值ytickmin=0, # y軸刻度最小值ytickmax=2, # y軸刻度最大值ytickstep=0.5, # y軸刻度間隔ztickmin=0, # z軸刻度最小值ztickmax=1, # z軸刻度最大值ztickstep=0.5, # z軸刻度間隔)
)

線性圖vis.line()

vis.line() 參數說明

參數	類型	描述	默認值	注意事項
X	Tensor/ndarray	X軸坐標值，N或N×M維	None	可省略（自動生成0-N）
Y	Tensor/ndarray	Y軸坐標值，N或N×M維	必填	M表示線條數量
win	str	目標窗口名稱	自動生成	留空則創建新窗口
opts	dict	繪圖選項字典	None	見下方選項表格

---

opts 選項明細表

選項	類型	描述	默認值	有效值/示例
fillarea	bool	是否填充線下區域	False	True/False
markers	bool	是否顯示數據點標記	False	True/False
markersymbol	str	標記形狀	'dot'	'circle', 'cross', 'diamond'等
markersize	int	標記大小（像素）	10	正整數（如 15）
linecolor	np.array	線條顏色數組	None	RGB數組，如 np.array([255,0,0])
dash	np.array	線條類型數組	'solid'	'dash', 'dot', 'dashdot'
legend	list	圖例名稱列表	None	['Train', 'Val']
layoutopts	dict	Plotly布局擴展選項	None	{'plotly': {'legend': {'x':0, 'y':1}}}
traceopts	dict	Plotly軌跡擴展選項	None	{'plotly': {'mode':'lines+markers'}}
webgl	bool	是否啟用WebGL加速	False	大數據量時建議 True

---

關鍵特性說明

1. X/Y維度規則：

   • 單線模式：Y為N×1，X為N×1（或省略）
   • 多線模式：Y為N×M，X為N×M或N×1（共享X軸）

2. 顏色與線條控制：

   opts = {'linecolor': np.array([[255,0,0], [0,0,255]]),  # 第一條紅，第二條藍'dash': np.array(['solid', 'dash'])  # 第一條實線，第二條虛線
   }
   

線性圖案例

• 簡單線性圖

import numpy as np
import visdomvis = visdom.Visdom()# 基本線圖
vis.line(Y=np.random.rand(10),opts=dict(title='Basic Line', markers=True)
)# 多線帶圖例
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]]),  # 紅藍雙線dash=np.array(['solid', 'dash']) )
)

• 實線、虛線的線條圖

#實線、虛線等不同線
import visdom
import numpy as npvis=visdom.Visdom(env='training_monitor')
# 繪制三種線
win = vis.line(#  X軸數據 將三個在0和1之間的等差數列組成一個3列的矩陣X=np.column_stack((np.arange(0, 10),np.arange(0, 10),np.arange(0, 10),)),# Y軸數據 將三個在5和10之間的線性插值分別加上5、10后組成一個3列的矩陣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': '不同類型的線'}
)
# 在之前創建的窗口win上繼續繪制線條
vis.line(X=np.arange(0, 10), # X軸數據Y=np.linspace(5, 10, 10) + 15, # Y軸數據win=win, # 使用之前創建的窗口name='4', # 線條名稱update='insert', # 更新方式為插入opts={ # 繪制選項'linecolor': np.array([ # 線條顏色[255, 0, 0], # 紅色]),'dash': np.array(['dot']), # 線條樣式 只包含點}
)

• 堆疊區域線性圖

#堆疊區域
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, # 填充區域showlegend=False, # 不顯示圖例width=380, # 寬度height=330, # 高度ytype='log', # y軸類型title='堆積面積圖', # 標題marginleft=30, # 左邊距marginright=30, # 右邊距marginbottom=80, # 底邊距margintop=30, # 上邊距),
)

莖葉圖vis.stem

• 函數可繪制一個莖葉圖。它接受一個N或N×M張量X作為輸入，它指定M時間序列中N個點的值。還可以指定一個包含時間戳的可選N或NXM張量Y，如果Y是一個N張量，那么所有M個時間序列都假設有相同的時間戳。
• opts.colormap: 色圖(string; default = 'Viridis')。
• opts.legend：包含圖例名稱的表。
• opts.layoutopts：圖形后端為布局接受的任何附加選項的字典，比如layoutopts={plotly:{legend': {x':0, 'y':0}}}
  您完全正確！在Visdom的莖葉圖(vis.stem)中，X和Y軸的設定確實容易讓人混淆，因為它的參數命名與常規的數學繪圖習慣相反。讓我們重新梳理清楚：

---

🔄 Visdom莖葉圖參數設計

在vis.stem(X, Y)中：

• Y參數：實際對應的是X軸數據（自變量）
• X參數：實際對應的是Y軸數據（因變量）

? 為什么Visdom這樣設計

Visdom的API設計可能源于：

1. 數據優先原則：X參數接受主要可視化數據（函數值更關鍵）
2. 與線圖一致：vis.line(Y=values)的延續性
3. 工程習慣：某些庫將輸入數據稱為X（如機器學習中的特征矩陣）

---

💡 記憶技巧

想象莖葉圖的物理形態：

• 莖（Stem）的根部固定在Y值（X軸）
• 莖的頂端達到X值（Y軸高度）

---

📊 修正后的代碼解釋

import math
import numpy as np
import visdomvis = visdom.Visdom(env='training_monitor')# 生成X軸數據（自變量：角度）
angles = np.linspace(0, 2 * math.pi, 70)  # 0到2π的70個點# 生成Y軸數據（因變量：函數值）
function_values = np.column_stack((np.sin(angles), np.cos(angles)))  # 兩列：sin和cosvis.stem(X=function_values,  # 莖頂的位置（Y軸值）Y=angles,           # 莖的位置（X軸值）opts=dict(legend=['sin(θ)', 'cos(θ)'],title='莖葉圖：sin和cos函數對比',xtickvals=np.arange(0, 7, 1).tolist(),      # 使用 .tolist() 轉換為 Python 列表xticklabels=['0', '1', '2', '3', '4', '5', '6'],ytickvals=np.arange(-1, 1.5, 0.5).tolist()   # 同樣使用 .tolist())
)

🖼? 可視化效果說明

元素	對應數據	示例值
莖的位置	Y=angles	0, 0.1π, 0.2π,…
莖頂高度	X=function_values	sin(0)=0, cos(0)=1
X軸	角度（θ）	0到2π
Y軸	函數值	-1到1

---

深度學習訓練案例

• 完整的PyTorch訓練過程，使用Visdom進行可視化：

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')# 定義簡單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)# 準備數據
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)# 初始化模型和優化器
model = SimpleCNN()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
criterion = nn.NLLLoss()# 訓練函數
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'))# 測試函數
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 (%)'))# 可視化一些測試樣本和預測結果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)))# 運行訓練和測試
for epoch in range(1, 11):train(epoch)test(epoch)