PyTorch在Ubuntu上如何進行數據可視化

1. Matplotlib：基礎數據可視化
Matplotlib是Python最基礎的繪圖庫，適合繪制損失曲線、精度曲線、參數分布等基本圖形。

• 安裝：pip install matplotlib
• 常用場景與代碼示例：
  • 繪制損失/精度曲線：通過plt.plot展示訓練與驗證指標的變化趨勢，幫助判斷模型是否過擬合。

    import matplotlib.pyplot as plt
    epochs = range(1, num_epochs + 1)
    plt.plot(epochs, train_losses, 'bo-', label='Training Loss')
    plt.plot(epochs, val_losses, 'r*-', label='Validation Loss')
    plt.title('Training and Validation Loss')
    plt.xlabel('Epochs')
    plt.ylabel('Loss')
    plt.legend()
    plt.show()
    

  • 可視化模型參數分布：通過plt.hist查看模型各層參數的分布情況，判斷參數是否合理（如權重是否集中在0附近）。

    for name, param in model.named_parameters():
        plt.hist(param.detach().numpy().flatten(), bins=50)
        plt.title(f'Parameter Distribution: {name}')
        plt.show()
    

2. TensorBoard：訓練過程動態可視化
TensorBoard是PyTorch官方推薦的可視化工具，支持標量（損失、精度）、直方圖（參數分布）、圖像（輸入/輸出）、計算圖等多種數據的動態展示。

• 安裝：pip install tensorboard
• 代碼集成：使用SummaryWriter記錄數據，指定日志保存路徑（如runs/experiment-1）。

  from torch.utils.tensorboard import SummaryWriter
  writer = SummaryWriter('runs/experiment-1')  # 創建writer對象
  
  for epoch in range(num_epochs):
      # 訓練代碼...
      train_loss = compute_loss(model, train_loader)
      val_accuracy = compute_accuracy(model, val_loader)
      
      # 記錄標量數據（全局步數為epoch）
      writer.add_scalar('Loss/train', train_loss, epoch)
      writer.add_scalar('Accuracy/val', val_accuracy, epoch)
  
  writer.close()  # 關閉writer，確保數據寫入磁盤
  

• 啟動與查看：終端運行tensorboard --logdir=runs，然后在瀏覽器打開localhost:6006，即可看到**Scalars（損失/精度曲線）、Histograms（參數分布）、Graphs（計算圖）**等面板。

3. Seaborn：高級統計可視化
Seaborn基于Matplotlib構建，提供更美觀、更高級的統計圖形（如熱力圖、分布直方圖），適合分析數據的相關性或分布特征。

• 安裝：pip install seaborn pandas
• 常用場景與代碼示例：
  • 繪制損失/精度分布熱力圖：通過seaborn.heatmap展示多個指標的相關性（如損失與精度的關系）。

    import seaborn as sns
    import pandas as pd
    data = pd.DataFrame({'Loss': train_losses, 'Accuracy': train_accuracies})
    sns.heatmap(data.corr(), annot=True, cmap='coolwarm', fmt=".2f")
    plt.title('Loss vs Accuracy Correlation')
    plt.show()
    

  • 繪制指標分布直方圖（帶核密度估計）：通過sns.histplot展示指標的分布情況，比Matplotlib更簡潔。

    sns.histplot(train_losses, kde=True, bins=30, color='blue')
    plt.title('Training Loss Distribution')
    plt.xlabel('Loss')
    plt.ylabel('Frequency')
    plt.show()
    

4. Torchviz：模型計算圖可視化
Torchviz用于生成PyTorch模型的計算圖，幫助理解模型的前向傳播過程（如數據流動、層間依賴關系）。

• 安裝：pip install torchviz
• 代碼示例：

  import torch
  from torchviz import make_dot
  # 假設已定義模型model和輸入張量input_tensor
  input_tensor = torch.randn(1, 3, 224, 224)  # 示例輸入（根據模型輸入尺寸調整）
  output = model(input_tensor)  # 前向傳播
  # 生成計算圖（params包含模型所有可學習參數）
  dot = make_dot(output, params=dict(model.named_parameters()))
  dot.render("model_structure", format="png")  # 保存為PNG文件
  

  執行后，當前目錄會生成model_structure.png，展示模型的層結構、數據流向、參數信息。

5. Netron：模型結構可視化
Netron是一款跨平臺的深度學習模型可視化工具，支持PyTorch（.pt/.pth）、TensorFlow（.pb）等多種模型格式，無需編寫代碼即可查看模型結構。

• 安裝：pip install netron
• 使用方法：
  • 終端運行netron model.pt --port 8080（model.pt為你的模型文件路徑，--port可指定端口，默認8080）。
  • 瀏覽器打開localhost:8080，即可直觀查看模型的層結構、參數數量、輸入/輸出形狀等信息（支持縮放、拖動、點擊層查看詳情）。

6. Visdom：實時數據可視化
Visdom是Facebook開源的實時可視化工具，適合監控訓練過程中的實時指標（如每步損失、動態圖像），但需要手動啟動服務器。

• 安裝：pip install visdom
• 使用步驟：
  • 啟動服務器：終端運行python -m visdom.server，默認訪問localhost:8097。
  • 代碼集成：通過visdom.Visdom()連接服務器，使用vis.line繪制實時曲線。

    import visdom
    import torch
    vis = visdom.Visdom()  # 連接服務器
    
    # 初始化線條（win為窗口名稱，opts為樣式選項）
    win = vis.line(X=torch.tensor([0]), Y=torch.tensor([0]), 
                  opts=dict(title='Training Loss', xlabel='Step', ylabel='Loss'))
    
    for step in range(100):
        # 模擬訓練損失（替換為實際損失）
        loss = torch.rand(1) * 0.1
        # 更新線條（update='append'表示追加數據）
        vis.line(X=torch.tensor([step]), Y=loss, win=win, update='append')
    

  Visdom界面會實時更新損失曲線，適合觀察訓練過程中的動態變化。