PyTorch在CentOS中的可视化工具使用

PyTorch在CentOS中的常用可视化工具及使用指南

1. TensorBoard（训练过程监控与模型结构可视化）

TensorBoard是PyTorch官方推荐的可视化工具，主要用于监控训练过程中的指标变化（如损失、准确率），也可展示模型结构。

• 安装：通过pip安装TensorBoard及依赖（如torchvision，可选但推荐用于图像数据处理）。

  pip install tensorboard torchvision 

• PyTorch代码集成：使用SummaryWriter记录训练指标（如损失、准确率），并可选添加模型计算图。

  from torch.utils.tensorboard import SummaryWriter import torch # 初始化SummaryWriter，指定日志保存目录 writer = SummaryWriter(log_dir='./runs/experiment1') # 模拟训练过程（替换为实际训练代码） num_epochs = 10 for epoch in range(num_epochs): train_loss = 0.5 + 0.1 * epoch # 示例损失值 val_accuracy = 0.7 + 0.05 * epoch # 示例准确率 # 记录标量数据 writer.add_scalar('Loss/train', train_loss, epoch) writer.add_scalar('Accuracy/val', val_accuracy, epoch) # 可选：添加模型计算图（需提供输入张量） # input_tensor = torch.randn(1, 3, 224, 224) # 示例输入 # writer.add_graph(model, input_tensor) # 关闭writer writer.close() 

• 启动与查看：在终端执行以下命令启动TensorBoard，随后在浏览器访问http://localhost:6006查看可视化结果。

  tensorboard --logdir=./runs 

2. PyTorchViz（模型结构可视化）

PyTorchViz基于Graphviz库，用于生成PyTorch模型的计算图，直观展示张量操作与数据流向。

• 安装：通过pip安装torchviz。

  pip install torchviz 

• 使用方法：通过make_dot函数生成模型计算图，需提供模型输入张量及参数。

  import torch from torchviz import make_dot import torch.nn as nn # 定义示例模型（替换为实际模型） class ConvNet(nn.Module): def __init__(self): super(ConvNet, self).__init__() self.conv1 = nn.Sequential(nn.Conv2d(1, 16, 3, 1, 1), nn.ReLU()) self.fc = nn.Linear(16 * 26 * 26, 10) # 假设输入为28x28图像 def forward(self, x): x = self.conv1(x) x = x.view(x.size(0), -1) x = self.fc(x) return x model = ConvNet() input_tensor = torch.randn(1, 1, 28, 28) # 示例输入 output = model(input_tensor) # 生成计算图 dot = make_dot(output, params=dict(model.named_parameters())) # 保存为PDF文件（可选格式：png、svg） dot.render("model_structure", format="pdf") 

3. Matplotlib/Seaborn（数据与参数可视化）

Matplotlib是Python基础绘图库，适合绘制损失曲线、准确率曲线等；Seaborn基于Matplotlib，提供更高级的统计可视化（如直方图、热力图）。

• 安装：通过pip安装两个库。

  pip install matplotlib seaborn 

• Matplotlib示例：绘制训练与验证损失曲线。

  import matplotlib.pyplot as plt # 示例数据（替换为实际数据） epochs = range(1, 11) train_losses = [0.5, 0.45, 0.4, 0.38, 0.36, 0.35, 0.34, 0.33, 0.32, 0.31] val_losses = [0.55, 0.5, 0.48, 0.46, 0.45, 0.44, 0.43, 0.42, 0.41, 0.4] # 绘制曲线 plt.plot(epochs, train_losses, 'bo-', label='Training Loss') plt.plot(epochs, val_losses, 'ro-', label='Validation Loss') plt.title('Training and Validation Loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show() 

• Seaborn示例：绘制损失分布直方图。

  import seaborn as sns import pandas as pd # 示例数据（替换为实际数据） data = pd.DataFrame({'Loss': train_losses + val_losses}) # 绘制直方图 sns.histplot(data['Loss'], kde=True, bins=10) plt.title('Loss Distribution') plt.xlabel('Loss') plt.ylabel('Frequency') plt.show() 

4. Netron（模型结构可视化工具）

Netron是一款跨框架的模型可视化工具，支持PyTorch（.pt/.pth格式）、ONNX等多种模型格式，可直接查看模型层结构、参数及连接。

• 安装：通过pip安装Netron。

  pip install netron 

• 使用方法：启动Netron并加载模型文件（需提前保存模型）。

  netron model.pth --port 8080 

  启动后，在浏览器访问http://localhost:8080即可查看模型结构。

5. torchinfo（模型结构与参数统计）

torchinfo（原名torch-summary）用于输出模型的层结构、参数数量、输出形状等信息，帮助理解模型架构。

• 安装：通过pip安装torchinfo。

  pip install torchinfo 

• 使用方法：调用summary函数，传入模型及输入尺寸。

  from torchinfo import summary import torchvision.models as models # 加载示例模型（替换为实际模型） model = models.resnet18() # 打印模型结构信息（输入尺寸需匹配模型要求） summary(model, input_size=(1, 3, 224, 224)) 

以上工具覆盖了PyTorch在CentOS中的主要可视化需求，可根据具体场景选择使用（如训练监控用TensorBoard、模型结构用Netron/PyTorchViz、数据分布用Matplotlib/Seaborn）。