在PyTorch深度学习中，最常用的模型可视化工具是Facebook（中文为脸书，目前已改名为Meta）公司开源的Visdom，本节通过案例详细介绍该模型可视化工具。
9.1.1 Visdom简介
Visdom可以直接接受来自PyTorch的张量，而不用转化成NumPy中的数组，从而运行效率很高。此外，Visdom可以直接在内存中获取数据，毫秒级刷新，速度很快。
Visdom的安装很简单，直接执行以下命令即可：
pip install visdom
开启服务，因为visdom本质上是一个类似于Jupyter Notebook 的Web服务器，在使用之前需要在终端打开服务，代码如下：
python -m visdom.server
正常执行后，根据提示在浏览器中输入相应地址即可，默认地址为：
如果出现蓝底空白的页面，并且上排有一些条形框，表示安装使用成功，如图9-1所示。
图9-1 Visdom服务器界面
Visdom目前支持的图形API如下：
- vis.scatter：2D或3D散点图
- vis.line：线图
- vis.updateTrace：更新现有的线/散点图
- vis.stem：茎叶图
- vis.heatmap：热图地块
- vis.bar：条形图
- vis.histogram：直方图
- vis.boxplot：盒子
- vis.surf：表面重复
- vis.contour：等高线图
- vis.quiver：颤抖的情节
- vis.mesh：网格图
这些API的确切输入类型有所不同，尽管大多数API 的输入包含一个tensor X（保存数据）和一个可选的tensor Y（保存标签或者时间戳）。所有的绘图函数都接收一个可选参数win，用来将图画到一个特定的窗格上。每个绘图函数也会返回当前绘图的win。也可以指定绘出的图添加到哪个可视化空间的分区上。
Visdom同时支持PyTorch的tensor和Numpy的ndarray两种数据结构，但不支持Python的int、float等类型，因此每次传入时都需先将数据转成ndarray或tensor。上述操作的参数一般不同，但有两个参数是绝大多数操作都具备的：
- win：用于指定pane的名字，如果不指定，visdom将自动分配一个新的pane。如果两次操作指定的win名字一样，新的操作将覆盖当前pane的内容，因此建议每次操作都重新指定win。
- opts：选项，接收一个字典，常见的option包括title、xlabel、ylabel、width等，主要用于设置pane的显示格式。
之前提到过，每次操作都会覆盖之前的数值，但往往我们在训练网络的过程中需不断更新数值，如损失值等，这时就需要指定参数update='append'来避免覆盖之前的数值。
除了使用update参数以外，还可以使用vis.updateTrace方法来更新图，但updateTrace不仅能在指定窗格上新增一个和已有数据相互独立的痕迹，还能像update='append'那样在同一条痕迹上追加数据。
9.1.3 动手练习：识别手写数字
......
执行成功后，在visdom网页可以看到实时更新的训练过程的数据变化，每一个epoch测试数据更新一次，如图9-15所示。
图9-15 实时更新的训练图
三、小结
本例使用Visdom对手写数字数据集的识别过程进行了可视化建模。
9.2 TensorBoard
Tensorboard是TensorFlow的一个附加工具，可以记录训练过程的数字、图像等内容，以方便研究人员观察神经网络训练过程，本节通过案例介绍该模型可视化工具。
......
三、小结
本例探索了深度学习中损失和准确率之间的关系。
模型测试集和训练集上的损失曲线，如图9-23所示。
图9-23 损失曲线
模型测试集和训练集上的准确率曲线，如图9-24所示。
图9-24 准确率曲线
9.3 Pytorchviz
Pytorchviz是一个程序包，用于创建PyTorch执行图和轨迹的可视化，本节通过案例介绍该模型可视化工具。
......
图9-25 模型可视化
9.4 Netron
Netron也是一个支持Pytorch的可视化工具，它的开发者是微软的Lutz Roeder，操作简单快捷，就像保存文件、打开文件一样，简单高效。本节通过案例介绍模型可视化工具Netron。
图9-27 模型可视化
