PyTorch在Debian上的可视化工具怎么用

在 Debian 上使用 PyTorch 的可视化工具

一 环境准备

• 安装系统依赖（用于 Graphviz 渲染与可选 GPU 监控）：
  • sudo apt update && sudo apt install -y graphviz nvidia-driver nvidia-utils python3-pip
• 建议创建虚拟环境：
  • python3 -m venv venv && source venv/bin/activate
  • pip install --upgrade pip
• 验证 GPU 工具：
  • nvidia-smi（应能看到 GPU 型号、显存、温度、功耗 等信息）

二 训练过程与指标可视化 TensorBoard

• 安装与启动：
  • pip install tensorboard
  • 训练脚本中写入日志：
    • from torch.utils.tensorboard import SummaryWriter
    • writer = SummaryWriter(log_dir=“runs/exp1”)
    • writer.add_scalar(“Loss/train”, loss, epoch)
    • writer.add_scalar(“Accuracy/val”, acc, epoch)
    • writer.add_graph(model, dummy_input) # 可选：模型图
    • writer.close()
  • 启动服务：
    • tensorboard --logdir=runs --host 0.0.0.0 --port 6006
• 远程访问与多实验对比：
  • 在浏览器打开 http://<服务器IP>:6006
  • 使用分层目录（如 runs/exp1、runs/exp2）便于对比；TensorBoard 支持 Scalars、Graphs、Histograms、Distributions、Images、Text、PR Curves、Embedding 等面板

三 模型结构与计算图可视化

• torchviz（基于 Graphviz，展示计算依赖与梯度流向）：
  • pip install torchviz
  • 代码示例：
    • from torchviz import make_dot
    • dummy_input = torch.randn(1, 3, 224, 224)
    • output = model(dummy_input)
    • dot = make_dot(output, params=dict(model.named_parameters()))
    • dot.render(“resnet18”, format=“png”) # 生成 PNG/PDF
• HiddenLayer（轻量快速，支持结构折叠）：
  • pip install hiddenlayer
  • 代码示例：
    • import hiddenlayer as hl
    • hl.build_graph(model, dummy_input).save(“resnet18.png”)
• Netron（无需代码，查看 .pt/.pth 或 .onnx）：
  • 导出：torch.onnx.export(model, dummy_input, “resnet18.onnx”)
  • 使用 Netron Web/桌面端 打开 .onnx 文件，交互式查看层级与形状

四 可解释性与特征可视化 Captum 与 Grad-CAM

• Captum（PyTorch 官方可解释性库，支持 Integrated Gradients、Saliency、LayerGradCam 等）：
  • pip install captum
  • 示例（Integrated Gradients）：
    • from captum.attr import IntegratedGradients
    • ig = IntegratedGradients(model)
    • attr = ig.attribute(input_tensor, target=target_class)
• Grad-CAM（CNN 热力图，定位判别区域）：
  • pip install pytorch-grad-cam
  • 参考官方示例为指定层注册钩子，生成热力图并与原图叠加显示

五 远程与系统资源监控

• GPU 监控：
  • 实时查看：nvidia-smi -l 1（每秒刷新）
• 系统资源：
  • CPU/内存：htop（sudo apt install -y htop）
  • 综合资源：dstat -c -m -y -p --top-io --top-bio
• 训练进程内监控（psutil）：
  • pip install psutil
  • 示例：
    • import psutil, os
    • p = psutil.Process(os.getpid())
    • print(“CPU%:”, p.cpu_percent(interval=1.0))
    • print(“MEM(MB):”, p.memory_info().rss / 1024 ** 2)
• 远程可视化访问建议：
  • 服务器启动 TensorBoard/Visdom 时加 –host 0.0.0.0
  • 云服务器需放行 6006/8097 端口（安全组/防火墙）
  • 内网穿透或 SSH 端口转发也可用于本地浏览器访问