visdom安装与基本用法

简介: visdom安装与基本用法

visdom的安装指令:


pip install visdom
python -m visdom.server


以下内容是在这部操作失败之后的方法


1.visdom安装


1.进入官网下载压缩包,然后解压到本地磁盘中

官网链接:https://github.com/fossasia/visdom或者是https://github.com/facebookresearch/visdom

image.png

2. cmd进入visdom-master目录中


ps:wins切换目录的目录是


cd /d e:\
# 或者是
e:
# 注意:cd e:/  这样的操作是无法切换的

image.png


3. 根据官方只是,本地安装visdom输入的指令是


pip install -e.

image.png


4. 退回用户Acer目录,执行python -m visdom.server

image.png

在最下方可以看见有一个链接:http://localhost:8097


在浏览器打开这个链接接口看见visdom的显示界面

image.png

成功


2.visdom基本用法


具体的用法可以参考官方文档


  1. 画曲线
from visdom import Visdom
viz = Visdom()
# 第一个参数:[0.],[0.]分别表示y与x的初始值,现在设置其初始值均为0
# 第二个参数win :表示一个标识符,可以理解为一个ID,系统会隐含的标识不会出现,不指定win,或默认的使用另外的一个ID:env,这个是一个大的窗口
# 第三个参数opts = dict(title = 'train loss':配置窗口的名字信息为train loss
# 这行代码就创建了一个ID为train_loss,显示名字为train loss的窗口,但是这个窗口只有一个点[0,0]
viz.line([0.],[0.],win = 'train_loss',opts = dict(title = 'train loss'))
# [global_step]:是x,代表了时间戳
# [loss.item()]:接受的是一个np数据,所以需要.item()将其进行转换
# update = 'append':表示添加在当前的数据后面,一个个的点才变成一条直线,否则数据会被覆盖
viz.line([loss.item()],[global_step],win = 'train_loss',update = 'append')

image.png

  1. 画多条曲线
from visdom import Visdom
viz = Visdom()
# [0.0,0.0]]表示的:[y1,y2], [0.]为 x
# win = 'test'是标识符
# title = 'test loss & acc'表示名称
# legend = ['loss','acc'])表示y1的图标是'loss',y2的图标是'acc'
viz.line([[0.0,0.0]],[0.],win = 'test',opts = dict(title = 'test loss & acc',
                                   legend = ['loss','acc']))
# 输入是两个数据,所以输出也是两个数据test_loss与correct / len(test_loader.dataset)
# [global_step]是x,横坐标的退役,其他的类似
viz.line([[test_loss,correct / len(test_loader.dataset)]],
         [global_step],win = 'test',update = 'append')

image.png


3. 显示图片与字符


viz = Visdom()
# data是一个tensor,直接在x这个标识的窗口中显示出来
viz.images(data.view(-1,1,28,28),win = 'x')
# str(pred.detach().cpu().numpy())直接将数据转换成字符串打印出来,表示为pred,并且赋予了title = 'pred'可见名字
viz.text(str(pred.detach().cpu().numpy()),win = 'pred',opts = dict(title = 'pred'))

image.png

目录
相关文章
|
计算机视觉
如何理解focal loss/GIOU(yolo改进损失函数)
如何理解focal loss/GIOU(yolo改进损失函数)
|
6月前
|
缓存 IDE 开发工具
Visual Studio 2022安装教程 Windows版专业版/企业版选择+安装路径修改+产品密钥激活指南
Microsoft Visual Studio(VS)是Windows平台主流IDE,集代码编辑、调试、测试、版本控制等功能于一体。本文详述VS2022专业版/企业版的离线安装、路径设置、工作负载选择及密钥激活全流程,操作清晰,新手友好。(239字)
7934 2
|
分布式计算 Hadoop
hadoop 的启动和停止命令(史上最全)
sbin/start-all.sh 启动所有的Hadoop守护进程。包括NameNode、 Secondary NameNode、DataNode、ResourceManager、NodeManager sbin/stop-all.sh 停止所有的Hadoop守护进程。包括NameNode、 Secondary NameNode、DataNode、ResourceManager、NodeManager sbin/start-dfs.sh 启动Hadoop HDFS守护进程NameNode、SecondaryNameNode、DataNode sbin/stop-dfs.sh 停止Hadoop
|
7月前
|
人工智能 搜索推荐
千问今天神级更新:全家桶一张嘴全搞定,手机App能删一半
加我进AI讨论学习群,公众号右下角“联系方式”文末有老金的 开源知识库地址·全免费
千问今天神级更新:全家桶一张嘴全搞定,手机App能删一半
|
开发工具 C++ git
五分钟看懂推送本地项目到 GitHub新手菜鸡
五分钟看懂推送本地项目到 GitHub新手菜鸡
|
机器学习/深度学习 数据可视化 机器人
比扩散策略更高效的生成模型:流匹配的理论基础与Pytorch代码实现
扩散模型和流匹配是生成高分辨率数据(如图像和机器人轨迹)的先进技术。扩散模型通过逐步去噪生成数据,其代表应用Stable Diffusion已扩展至机器人学领域形成“扩散策略”。流匹配作为更通用的方法,通过学习时间依赖的速度场将噪声转化为目标分布,适用于图像生成和机器人轨迹生成,且通常以较少资源实现更快生成。 本文深入解析流匹配在图像生成中的应用,核心思想是将图像视为随机变量的实现,并通过速度场将源分布转换为目标分布。文中提供了一维模型训练实例,展示了如何用神经网络学习速度场,以及使用最大均值差异(MMD)改进训练效果。与扩散模型相比,流匹配结构简单,资源需求低,适合多模态分布生成。
1548 17
比扩散策略更高效的生成模型:流匹配的理论基础与Pytorch代码实现
|
存储 JSON Java
酷阿鲸森林农场:使用 Java 构建的去中心化区块链电商系统
酷阿鲸森林农场推出基于Java的轻量级区块链电商系统,解决传统农产品电商信任问题。该系统无需以太坊或服务器,通过自研区块链引擎实现去中心化点对点交易,确保数据不可篡改。每个用户节点运行桌面软件参与数据共识,支持订单上链、链同步与验证。项目具备简单轻量、真实可控等优势,适用于农户合作社及小型有机电商,并可扩展签名认证、NFT凭证等功能,推动农业数字主权与数据可信发展。
酷阿鲸森林农场:使用 Java 构建的去中心化区块链电商系统
|
XML 算法 计算机视觉
使用OpenCV进行人脸检测和戴墨镜特效实战(附Python源码)
使用OpenCV进行人脸检测和戴墨镜特效实战(附Python源码)
1175 1
|
机器学习/深度学习 算法 算法框架/工具
深度学习中epoch、batch、batch size和iterations详解
深度学习中epoch、batch、batch size和iterations详解
2781 0
|
机器学习/深度学习 算法
全连接层那些事(Fully Connected Layer)
全连接层那些事(Fully Connected Layer)