Linux环境下PyTorch的可视化工具推荐

Linux环境下PyTorch可视化工具推荐

一 训练过程与指标可视化

• TensorBoard：记录并展示损失、准确率、权重/梯度直方图、图像与嵌入等，适合本地与远程服务器使用。安装：pip install tensorboard；记录：from torch.utils.tensorboard import SummaryWriter; writer = SummaryWriter('runs/exp1')；启动：tensorboard --logdir=runs --port=6006 --host=0.0.0.0（服务器需开放端口，浏览器访问服务器IP:6006）。
• Weights & Biases（W&B）：云端实验追踪、团队协作、超参与模型版本管理，适合多人协作与长期实验归档。
• Visdom：Facebook 出品，支持实时曲线、图片、文本等，适合轻量远程可视化。安装：pip install visdom；启动：python -m visdom.server -port 8097；在代码中连接并绘图：viz = visdom.Visdom(port=8097); viz.line([0.], [0], win='loss', opts=dict(title='train_loss'))。
• Matplotlib / Seaborn / Plotly / Bokeh：用于绘制损失曲线、混淆矩阵、分布图等分析图表；其中 Plotly/Bokeh 可生成交互式图表，便于报告与分享。

二 模型结构与计算图可视化

• Netron：跨框架模型结构可视化，支持PyTorch导出的 .pt/.pth 等模型，直观查看层类型、输入输出形状，上手最快。
• PyTorchViz（graphviz）：基于 Graphviz，用 make_dot 绘制计算图，便于理解前向/反向的数据流与依赖关系。
• HiddenLayer：面向 PyTorch 的图可视化，可导出PNG/SVG等，适合教学与结构审查。
• torchsummary：快速查看层结构、输出形状、参数量与总参数，便于定位模型规模与瓶颈。

三 快速上手示例

• 使用 TensorBoard 记录标量并启动服务：

  from torch.utils.tensorboard import SummaryWriter
  import torch, time
  
  writer = SummaryWriter(log_dir='runs/demo')
  for epoch in range(10):
      loss = 0.9 ** epoch
      acc = 1.0 - 0.08 * epoch
      writer.add_scalar('Loss/train', loss, epoch)
      writer.add_scalar('Accuracy/train', acc, epoch)
      time.sleep(0.5)
  
  writer.close()
  # 终端：tensorboard --logdir=runs --port=6006 --host=0.0.0.0
  

• 使用 Visdom 实时绘制损失曲线：

  import visdom
  viz = visdom.Visdom(port=8097)
  
  viz.line([0.], [0], win='loss', opts=dict(title='train_loss'))
  for epoch in range(10):
      loss = 0.9 ** epoch
      viz.line([loss], [epoch], win='loss', update='append')
  # 终端：python -m visdom.server -port 8097
  

• 使用 PyTorchViz 可视化计算图：

  import torch, torch.nn as nn
  from torchviz import make_dot
  
  model = nn.Sequential(
      nn.Linear(10, 32), nn.ReLU(),
      nn.Linear(32, 1), nn.Sigmoid()
  )
  x = torch.randn(1, 10)
  y = model(x)
  
  dot = make_dot(y, params=dict(model.named_parameters()))
  dot.render("model_graph", format="pdf")  # 生成 model_graph.pdf
  

四 选型建议

• 以训练监控与对比实验为主：优先 TensorBoard；团队协作与云端管理选 W&B。
• 需要远程轻量可视化或快速看曲线：选 Visdom。
• 以模型结构审查为主：优先 Netron；需要详细计算图选 PyTorchViz；只关心参数量/形状选 torchsummary。
• 需要出版级统计图表或交互式报告：选 Matplotlib/Seaborn/Plotly/Bokeh。