Linux中PyTorch的图形界面如何操作

Linux下PyTorch图形界面操作指南

一 工具总览与定位

• TensorBoard：训练过程指标与图结构可视化，浏览器查看（默认端口6006）。
• Weights & Biases（W& B）：云端实验追踪、团队协作与模型管理。
• Netron：查看模型结构与张量形状，支持多框架模型文件。
• PyTorchviz：用 Graphviz 绘制计算图，直观展示数据流向与依赖。
• Torchinfo：模型层信息、参数量与输入输出形状汇总。
• Matplotlib / Seaborn / Pandas：训练曲线、分布与表格可视化（本地静态图）。
• Visdom：轻量级可视化服务，适合快速画线、图像、文本等面板。
• Gradio / Streamlit：快速搭建模型Web Demo与应用界面，便于演示与交互。

二 训练监控与实验追踪

• TensorBoard
  • 安装：pip install tensorboard
  • 记录：

    from torch.utils.tensorboard import SummaryWriter
    writer = SummaryWriter(log_dir="runs/exp1")
    for epoch in range(num_epochs):
        # ... 训练步骤 ...
        writer.add_scalar('Loss/train', loss, epoch)
        writer.add_scalar('Acc/train', acc, epoch)
    writer.close()
    

  • 启动与查看：tensorboard --logdir=runs，浏览器访问 http://localhost:6006。
• W& B
  • 特点：实验跟踪、超参与权重云端保存、团队协作；在 PyTorch 训练脚本中按官方 API 初始化与打点即可，适合多人协作与云端管理。
• Visdom
  • 启动服务：python -m visdom.server（默认端口8097）
  • 画线示例：

    from visdom import Visdom
    vis = Visdom()
    vis.line([0], [0], win='loss', opts=dict(title='Training Loss'))
    for epoch in range(100):
        loss = ...  # 计算损失
        vis.line([loss], [epoch], win='loss', update='append')
    

  • 常用绘图函数：vis.image、vis.images、vis.text、vis.matplot 等。

三 模型结构与参数查看

• Netron
  • 安装：pip install netron
  • 使用：

    import torch, torchvision
    model = torchvision.models.resnet18(pretrained=True)
    torch.save(model.state_dict(), "resnet18.pth")
    # 终端启动
    netron resnet18.pth
    

  • 浏览器将自动打开 http://localhost:8080 展示网络结构与张量形状。
• PyTorchviz
  • 安装：pip install torchviz
  • 使用：

    import torch, torchvision
    from torchviz import make_dot
    model = torchvision.models.resnet18(pretrained=True)
    x = torch.randn(1, 3, 224, 224)
    y = model(x)
    dot = make_dot(y, params=dict(model.named_parameters()))
    dot.render("resnet18_graph", format="png")  # 生成 PNG
    

  • 生成的计算图可保存为 PDF/PNG 并离线查看。
• Torchinfo
  • 安装：pip install torchinfo
  • 使用：

    from torchinfo import summary
    from torchvision.models import resnet18
    model = resnet18()
    summary(model, input_size=(1, 3, 224, 224))
    

  • 输出包含每层的输出形状、参数量与可训练状态。

四 结果绘图与本地分析

• Matplotlib / Seaborn / Pandas
  • 绘制训练/验证损失曲线：

    import matplotlib.pyplot as plt
    import seaborn as sns
    import pandas as pd
    
    epochs = list(range(1, num_epochs+1))
    df = pd.DataFrame({
    'Epoch': epochs,
                      'Train Loss': train_losses,
                      'Val Loss': val_losses}
        )
    
    # Matplotlib
    plt.plot(epochs, train_losses, label='Train')
    plt.plot(epochs, val_losses, label='Val')
    plt.xlabel('Epoch');
         plt.ylabel('Loss');
         plt.legend();
         plt.show()
    
    # Seaborn
    sns.lineplot(data=df, x='Epoch', y='Train Loss');
         plt.show()
    sns.histplot(train_losses, kde=True);
     plt.show()
    

  • 适合在 Jupyter Notebook/Lab 中交互式展示与保存图表。

五 部署交互式Web界面

• Gradio
  • 安装：pip install gradio
  • 示例（图像增强演示）：

    import gradio as gr
    
    def enhance_image(img):
        # img: PIL.Image 或 ndarray，做你的增强逻辑
        return img  # 这里直接回显示例
    
    inputs  = gr.Image(type="pil", label="输入图像")
    outputs = gr.Image(type="pil", label="增强结果")
    demo = gr.Interface(fn=enhance_image, inputs=inputs, outputs=outputs,
                         title="图像增强演示")
    demo.launch(share=True)  # 生成可分享链接
    

• Streamlit
  • 安装：pip install streamlit
  • 示例（MNIST 推理演示）：

    import streamlit as st
    import torch, torch.nn as nn
    from torchvision import transforms
    from PIL import Image
    
    # 假设已训练好并保存 state_dict: mnist_cnn.pth
    class CNN(nn.Module):
        def __init__(self):
            super().__init__()
            self.conv1 = nn.Conv2d(1, 16, 3, padding=1)
            self.conv2 = nn.Conv2d(16, 32, 3, padding=1)
            self.fc1 = nn.Linear(32*7*7, 128)
            self.fc2 = nn.Linear(128, 10)
        def forward(self, x):
            x = nn.functional.relu(self.conv1(x))
            x = nn.functional.max_pool2d(x, 2)
            x = nn.functional.relu(self.conv2(x))
            x = nn.functional.max_pool2d(x, 2)
            x = x.view(x.size(0), -1)
            x = nn.functional.relu(self.fc1(x))
            return self.fc2(x)
    
    @st.cache_resource
    def load_model():
        m = CNN()
        m.load_state_dict(torch.load("mnist_cnn.pth", map_location="cpu"))
        m.eval()
        return m
    
    transform = transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ])
    
    st.title("MNIST 手写体识别")
    uploaded = st.file_uploader("上传灰度图", type=["png","jpg","jpeg"])
    if uploaded:
        img = Image.open(uploaded).convert("L").resize((28,28))
        st.image(img, caption="输入", width=150)
        x = transform(img).unsqueeze(0)
        model = load_model()
        with torch.no_grad():
            pred = model(x).argmax(1).item()
        st.write(f"预测数字：{
    pred}
        ")
    

  • 运行：streamlit run app.py，浏览器自动打开本地页面。

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！