PyTorch在Ubuntu上的可视化工具推荐

在Ubuntu上，有多种可视化工具可用于PyTorch，以下是一些推荐的工具及其使用方法：

1. TensorBoard

• 用途：用于跟踪训练指标（如损失、准确率）、可视化模型结构、分析计算图、查看直方图/分布等。
• 集成方式：通过torch.utils.tensorboard模块。
• 安装：

  pip install tensorboard
  

• 示例代码：

  from torch.utils.tensorboard import SummaryWriter
  writer = SummaryWriter("runs")
  for epoch in range(num_epochs):
      # 训练代码
      writer.add_scalar("Loss/train", loss, epoch)
      writer.add_graph(model, input_tensor)
  writer.close()
  

• 启动：

  tensorboard --logdir=runs
  

  在浏览器中访问 http://localhost:6006 查看可视化结果。

2. torchviz

• 用途：用于生成PyTorch模型的计算图，展示张量操作和依赖关系。
• 安装：

  pip install torchviz graphviz
  

• 示例代码：

  from torchviz import make_dot
  input_tensor = torch.randn(1, 3, 224, 224)
  output = model(input_tensor)
  dot = make_dot(output, params=dict(model.named_parameters()))
  dot.render("model_graph", format="png")
  

3. Netron

• 用途：用于可视化模型架构，支持.pt或.onnx格式。
• 安装：

  pip install netron
  

• 使用方式：
  • 下载Netron，直接打开模型文件。
  • 或访问Netron网页版。

4. Visdom

• 用途：用于实时数据可视化，如折线图、热力图、3D点云等，适合动态更新数据。
• 安装：

  pip install visdom
  

• 示例代码：

  import visdom
  viz = visdom.Visdom()
  viz.line(Y=[loss], X=[epoch], win="loss", update="append")
  

5. Weights & Biases (W&B)

• 用途：用于记录实验超参数、输出结果、系统资源监控，支持协作与云端存储。
• 集成：

  pip install wandb
  wandb.init(project="my_project")
  wandb.log({"loss": loss, "accuracy": acc})
  

6. Captum

• 用途：用于模型可解释性分析，支持特征重要性、注意力权重、层可视化等。
• 安装：

  pip install captum
  

• 示例代码：

  from captum.attr import IntegratedGradients
  ig = IntegratedGradients(model)
  attr = ig.attribute(input, target=label)
  

这些工具可以帮助你更好地理解和调试PyTorch模型，选择合适的工具取决于你的具体需求。