Visdom可视化学习笔记(一):通过visdom画曲线和显示图片总结

简介: 关于如何使用Visdom进行数据可视化的教程,包括画曲线、显示图片和文本等操作。

导入visdom

import visdom
viz = visdom.Visdom()

执行代码的时候还要通过终端输入python -m visdom.server

设置线性和颜色

import numpy as np
import visdom
viz=visdom.Visdom()

win = viz.line(
    X=np.column_stack((
        np.arange(0, 10),
        np.arange(0, 10),
        np.arange(0, 10),
    )),
    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, 101, 255],
            [0, 61, 255],
            [255, 255, 0],
        ]),
        'title': 'Different line dash types'
    }
)

结果:
在这里插入图片描述

画一条折线

import visdom
viz = visdom.Visdom()
viz.line(X=[1, 2, 3, 4],  # x坐标
         Y=[1, 4, 9, 16],  # y值
        win="line1",  # 窗口id
        name="test line",  # 线条名称
        update='append',  # 以添加方式加入
        opts={
            'showlegend': True,  # 显示网格
            'title': "Demo line in Visdom",
            'xlabel': "x1",  # x轴标签
            'ylabel': "y1",  # y轴标签
        },
         )

结果
在这里插入图片描述

画两条折线

import visdom
viz = visdom.Visdom()
viz.line(X=[1, 2, 3, 4],  # x坐标
         Y=[1, 4, 9, 16],  # y值
        win="line1",  # 窗口id
        name="test line",  # 线条名称
        update='append',  # 以添加方式加入
        opts={
            'showlegend': True,  # 显示网格
            'title': "Demo line in Visdom",
            'xlabel': "x1",  # x轴标签
            'ylabel': "y1",  # y轴标签
        },
         )
viz.line(X=[1, 2, 3, 4], Y=[0.5, 2, 4.5, 8],name="test line2", win='line1', update='append')

结果
在这里插入图片描述

同时画多条曲线

import numpy as np
import visdom
viz=visdom.Visdom()
name = ['y=x^2', 'y=kx+b']
X = np.linspace(-5, 5, 100)  # (100,)
viz.line(
    Y=np.column_stack((X * X, np.sqrt(X + 5))),  # (100, 2)
    X=np.column_stack((X, X)),  # (100, 2)
    opts=dict(markers=False, legend=name),)

结果:
在这里插入图片描述

显示实时的动态曲线

import numpy as np
import visdom,time
viz=visdom.Visdom()

x, y = 0, 0

for i in np.linspace(0, 2 * np.pi, 1000):
    x = i
    y = np.sin(x)

    viz.line(X=np.array([x]), Y=np.array([y]), win='sin-realtime', update='append')
    time.sleep(0.0001)

from visdom import Visdom
import numpy as np
import torch

viz = Visdom(env='test')
#这句话就新建一个连接客户端

for i in range(0,10):
    x = torch.tensor([i])
    y = x
    viz.line(X=x, Y=y, win='polynomial', update='append' if i>0 else None)

#updateTrace新增一条线
x = torch.arange(0,9,0.1)
y = (x**2) / 9
viz.line(X=x, Y=y, win='polynomial', name='this is a new Trace',update='append')

结果:
在这里插入图片描述
在这里插入图片描述

显示图片

viz.image的功能可分为如下两类

  • image接收一个二维或三维向量,HxW或3×HxW,前者是黑白图像,后者是彩色图像。
  • images接收一个四维向量NxCxHxW,C可以是1或3,分别代表黑白和彩色图像。可实现类似torchvision中makegrid的功能,将多张图片拼接在一起。images也可以接收一个二维或三维的向量,此时它所实现的功能与image一致。
from visdom import Visdom
import numpy as np
import torch
viz = Visdom(env='test')
# 这句话就新建一个连接客户端
# 可视化一张随机的黑白图片
viz.image(torch.randn(64, 64).numpy())
# 可视化一张随机的彩色图片
viz.image(torch.randn(3, 64, 64).numpy(), win='random2')
# 可视化36张随机的彩色图片,每行6张
# viz.image(torch.randn(36,3,64,64).numpy(), nrow=6, win='random3',opts={'title':'random_imgs'})
viz.images(torch.randn(36, 3, 64, 64).numpy(), nrow=6, win='random3', opts={'title': 'random_imgs'})

结果:
在这里插入图片描述

显示文本

from visdom import Visdom
import numpy as np
import torch

viz = Visdom(env='test')
# 这句话就新建一个连接客户端
a='this is a test'
viz.text(a, win='label', opts=dict(title='batch-y'))

结果:
在这里插入图片描述

目录
相关文章
|
9月前
|
机器学习/深度学习 人工智能 计算机视觉
CVPR 2023 | AdaAD: 通过自适应对抗蒸馏提高轻量级模型的鲁棒性
CVPR 2023 | AdaAD: 通过自适应对抗蒸馏提高轻量级模型的鲁棒性
286 0
|
机器学习/深度学习 人工智能 自然语言处理
视觉 注意力机制——通道注意力、空间注意力、自注意力
本文介绍注意力机制的概念和基本原理,并站在计算机视觉CV角度,进一步介绍通道注意力、空间注意力、混合注意力、自注意力等。
6425 0
|
机器学习/深度学习 人工智能 自然语言处理
一文搞懂【知识蒸馏】【Knowledge Distillation】算法原理
一文搞懂【知识蒸馏】【Knowledge Distillation】算法原理
一文搞懂【知识蒸馏】【Knowledge Distillation】算法原理
|
域名解析 Ubuntu Perl
Ubuntu 快速更换阿里源
本文主要给大家讲解如何为Ubuntu更换阿里源,通过以下四个步骤即可快速实现换源。
54969 3
Ubuntu 快速更换阿里源
|
9月前
|
算法 数据挖掘 数据库
K-Means、层次聚类算法讲解及对iris数据集聚类实战(附源码)
K-Means、层次聚类算法讲解及对iris数据集聚类实战(附源码)
459 0
怎样将Beyond Compare添加到系统右键菜单
怎样将Beyond Compare添加到系统右键菜单
1210 0
|
机器学习/深度学习 算法 数据挖掘
一文看尽深度学习中的各种数据增强(三)
一文看尽深度学习中的各种数据增强
936 0
|
3月前
|
算法 数据可视化 PyTorch
IoU已经out了,试试这几个变体:GIoU、DIoU和CIoU介绍与对比分析
本文探讨了目标检测中常用的交并比(IoU)及其变体,包括广义交并比(GIoU)、距离交并比(DIoU)和完全交并比(CIoU)。这些指标不仅提高了模型在处理不重叠、距离较远或形状差异大的边界框时的表现,还为模型的学习过程提供了更深入的洞察。文章详细解释了各指标的计算方法及应用场景,并提供了相应的代码示例,帮助读者更好地理解和应用这些先进的评估指标。
257 7
IoU已经out了,试试这几个变体:GIoU、DIoU和CIoU介绍与对比分析
|
计算机视觉 Python
【python图像处理】给图像添加透明度(alpha通道)
【python图像处理】给图像添加透明度(alpha通道) 我们常见的RGB图像通常只有R、G、B三个通道,在图像处理的过程中会遇到往往需要向图像中添加透明度信息,如公司logo的设计,其输出图像文件就需要添加透明度,即需要在RGB三个通道的基础上添加alpha通道信息。
6649 0

热门文章

最新文章