pytorch visdom可视化工具学习—1—详细使用-2-plotting绘图

3）plotting绘图

我们已经包装了几种常见的plot类型，以便轻松创建基本的可视化。这些可视化是由Plotly驱动的。

Visdom支持下列API。由 Plotly 提供可视化支持。

• vis.scatter : 2D 或 3D 散点图
• vis.line : 线图
• vis.stem : 茎叶图
• vis.heatmap : 热力图
• vis.bar : 条形图
• vis.histogram: 直方图
• vis.boxplot : 箱型图
• vis.surf : 表面图
• vis.contour : 轮廓图
• vis.quiver : 绘出二维矢量场
• 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Pane上。每个绘图函数也会返回当前绘图的win。您也可以指定绘出的图添加到哪个env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。

而除了使用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pane上新增一个和已有数据相互独立的Trace，还能像update='append'那样在同一条trace上追加数据。

Customizing plots

绘图函数接受一个可选的opts表作为输入，可用于更改绘图的(通用的或特定于绘图的)属性。所有输入参数在一个表中指定;输入参数是基于它们在输入表中拥有的键进行匹配的。

1> plot.scatter

这个函数是用来画2D或3D数据的散点图。它需要输入 N*2或N*3的张量 X来指定N个点的位置。一个可供选择的长度为N的向量用来保存X中的点对应的标签(1 到 K)。 – 标签可以通过点的颜色反应出来。

update可用于有效地更新现有图的数据。使用'append'附加数据，'replace'使用新数据，或'remove'删除按名称指定的跟踪。如果不存在update='append'，则使用update='append'将创建一个绘图，否则将追加到现有绘图。如果更新单个跟踪，请使用name指定要更新的跟踪的名称。忽略所有NaN的更新数据(可用于屏蔽更新)。

scatter()支持下列的选项：

• opts.markersymbol: 标记符号 (string; default = 'dot')
• opts.markersize : 标记大小(number; default = '10')
• opts.markercolor : 每个标记的颜色. (torch.*Tensor; default = nil)
• opts.legend : 包含图例名字的table
• opts.textlabels : 每一个点的文本标签 (list: default = None)
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.
• opts.traceopts : 将跟踪名称或索引映射到plot.ly为追踪接受的附加选项的字典. 比如 traceopts = {'plotly': {'myTrace': {'mode': 'markers'}}}.
• opts.webgl : 使用WebGL绘图(布尔值;default= false。如果一个图包含太多的点，它会更快。要谨慎使用，因为浏览器不会在一个页面上允许多个WebGL上下文。

options.markercolor 是一个包含整数值的Tensor。Tensor的形状可以是 N 或 N x 3 或 K 或 K x 3.

• Tensor of size N: 表示每个点的单通道颜色强度。 0 = black, 255 = red
• Tensor of size N x 3: 用三通道表示每个点的颜色。 0,0,0 = black, 255,255,255 = white
• Tensor of size K and K x 3: 为每个类别指定颜色，不是为每个点指定颜色。

举例：

1》

# scatter plots
Y = np.random.rand(100)
old_scatter = viz.scatter(
    X=np.random.rand(100, 2),
    Y=(Y[Y > 0] + 1.5).astype(int),
    opts=dict(
        legend=['Didnt', 'Update'],
        xtickmin=-50,
        xtickmax=50,
        xtickstep=0.5,
        ytickmin=-50,
        ytickmax=50,
        ytickstep=0.5,
        markersymbol='cross-thin-open',
    ),
)

viz.update_window_opts(
    win=old_scatter,
    opts=dict(
        legend=['Apples', 'Pears'],
        xtickmin=0,
        xtickmax=1,
        xtickstep=0.5,
        ytickmin=0,
        ytickmax=1,
        ytickstep=0.5,
        markersymbol='cross-thin-open',
    ),
)

图示：

2》3D版的：

# 3d scatterplot with custom labels and ranges
viz.scatter(
    X=np.random.rand(100, 3),
    Y=(Y + 1.5).astype(int),
    opts=dict(
        legend=['Men', 'Women'],
        markersize=5,
        xtickmin=0,
        xtickmax=2,
        xlabel='Arbitrary',
        xtickvals=[0, 0.75, 1.6, 2],
        ytickmin=0,
        ytickmax=2,
        ytickstep=0.5,
        ztickmin=0,
        ztickmax=1,
        ztickstep=0.5,
    )
)

图示：

3》带有自定义强度的2D散点图(红色通道)

# 2D scatterplot with custom intensities (red channel)
viz.scatter(
    X=np.random.rand(255, 2),
    Y=(np.random.rand(255) + 1.5).astype(int),
    opts=dict(
        markersize=10,
        markercolor=np.random.randint(0, 255, (2, 3,)),
    ),
)

图示：

4》2D散点图，每个标签自定义颜色:

# 2D scatter plot with custom colors per label:
viz.scatter(
    X=np.random.rand(255, 2),
    Y=(np.random.randn(255) > 0) + 1,
    opts=dict(
        markersize=10,
        markercolor=np.floor(np.random.random((2, 3)) * 255),
    ),
)

图示：

5》添加新的追踪

    win = viz.scatter(
        X=np.random.rand(255, 2),
        opts=dict(
            markersize=10,
            markercolor=np.random.randint(0, 255, (255, 3,)),
        ),
    )

    #断言该窗口是否存在
    assert viz.win_exists(win), 'Created window marked as not existing'

    # 添加新的追踪到散点图中
    viz.scatter(
        X=np.random.rand(255),
        Y=np.random.rand(255),
        win=win,
        name='new_trace',
        update='new'
    )

图示：

6》带着文本标签的散点图

# 2D scatter plot with text labels:
viz.scatter(
    X=np.random.rand(10, 2),
    opts=dict(
        textlabels=['Label %d' % (i + 1) for i in range(10)]
    )
)
viz.scatter(
    X=np.random.rand(10, 2),
    Y=[1] * 5 + [2] * 3 + [3] * 2,
    opts=dict(
        legend=['A', 'B', 'C'],
        textlabels=['Label %d' % (i + 1) for i in range(10)]
    )
)

图示：

7》更新

1〉一开始的底图

colors = np.random.randint(0, 255, (2, 3,))
win = viz.scatter(
    X=np.random.rand(255, 2),
    Y=(np.random.rand(255) + 1.5).astype(int),
    opts=dict(
        markersize=10,
        markercolor=colors,
        legend=['1', '2']
    ),
)

图是：

2〉append

viz.scatter(
    X=np.random.rand(255),
    Y=np.random.rand(255),
    opts=dict(
        markersize=10,
        markercolor=colors[0].reshape(-1, 3),

    ),
    name='1',
    update='append',
    win=win)

图为：

3〉append

viz.scatter(
    X=np.random.rand(255, 2),
    Y=(np.random.rand(255) + 1.5).astype(int),
    opts=dict(
        markersize=10,
        markercolor=colors,
    ),
    update='append',
    win=win)

图为：

2>vis.line

这个函数画了一条线。它接受一个N或NxM张量Y作为输入，它指定连接N个点的M条线的值。它还接受一个可选的X张量，指定相应的X轴值;X可以是一个N张量(在这种情况下，所有的线都有相同的X轴值)，或者和Y大小相同。

update可用于有效地更新现有图的数据。使用'append'附加数据，'replace'使用新数据，或'remove'删除按名称指定的跟踪。如果更新单个跟踪，请使用name指定要更新的跟踪的名称。忽略所有NaN的更新数据(可用于屏蔽更新)。

下面是支持的opts:

• opts.fillarea : 填满线下区域(boolean)
• opts.markers : 显示标记 (boolean; default = false)
• opts.markersymbol: 标记符号(string; default = 'dot')
• opts.markersize :标记大小(number; default = '10')
• opts.linecolor :线颜色 (np.array; default = None)
• opts.dash : 每一行的破折号类型 (np.array; default = 'solid'), 实线、破折号、虚线或破折号中的一个，其大小应与所画线的数目相匹配
• opts.legend : 包含图例名称的表
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

• opts.traceopts : 将跟踪名称或索引映射到plot.ly为追踪接受的附加选项的字典. 比如 traceopts = {'plotly': {'myTrace': {'mode': 'markers'}}}.
• opts.webgl : 使用WebGL绘图(布尔值;default= false。如果一个图包含太多的点，它会更快。要谨慎使用，因为浏览器不会在一个页面上允许多个WebGL上下文。

1》

# line plots
viz.line(Y=np.random.rand(10), opts=dict(showlegend=True))

Y = np.linspace(-5, 5, 100)
viz.line(
    Y=np.column_stack((Y * Y, np.sqrt(Y + 5))),
    X=np.column_stack((Y, Y)),
    opts=dict(markers=False),
)

图示：

2》

# line using WebGL
webgl_num_points = 200000
webgl_x = np.linspace(-1, 0, webgl_num_points)
webgl_y = webgl_x**3
viz.line(X=webgl_x, Y=webgl_y,
         opts=dict(title='{} points using WebGL'.format(webgl_num_points), webgl=True),
         win="WebGL demo")

图示：

3》更新

# line updates
win = viz.line(
    X=np.column_stack((np.arange(0, 10), np.arange(0, 10))),
    Y=np.column_stack((np.linspace(5, 10, 10),
                       np.linspace(5, 10, 10) + 5)),
)

图为：

append：

viz.line(
    X=np.column_stack((np.arange(10, 20), np.arange(10, 20))),
    Y=np.column_stack((np.linspace(5, 10, 10),
                       np.linspace(5, 10, 10) + 5)),
    win=win,
    update='append'
)

图为：

append：

viz.line(
    X=np.arange(21, 30),
    Y=np.arange(1, 10),
    win=win,
    name='2',
    update='append'
)

图示：

append：

viz.line(
    X=np.arange(1, 10),
    Y=np.arange(11, 20),
    win=win,
    name='delete this',
    update='append'
)

图为：

insert：

viz.line(
    X=np.arange(1, 10),
    Y=np.arange(11, 20),
    win=win,
    name='4',
    update='insert'
)

图为：

remove：

viz.line(X=None, Y=None, win=win, name='delete this', update='remove')

图又会回到上上面一个：

这个更改的是之前使用WebGL的那个图：

viz.line(
    X=webgl_x+1.,
    Y=(webgl_x+1.)**3,
    win="WebGL demo",
    update='append',
    opts=dict(title='{} points using WebGL'.format(webgl_num_points*2), webgl=True)
)

图变为：

4》实线、虚线等不同线的实现

win = viz.line(
    X=np.column_stack((
        np.arange(0, 10),
        np.arange(0, 10),
        np.arange(0, 10),
    )),
    Y=np.column_stack((
        np.linspace(5, 10, 10),
        np.linspace(5, 10, 10) + 5,
        np.linspace(5, 10, 10) + 10,
    )),
    opts={
        'dash': np.array(['solid', 'dash', 'dashdot']),
        'linecolor': np.array([
            [0, 191, 255],
            [0, 191, 255],
            [255, 0, 0],
        ]),
        'title': 'Different line dash types'
    }
)

viz.line(
    X=np.arange(0, 10),
    Y=np.linspace(5, 10, 10) + 15,
    win=win,
    name='4',
    update='insert',
    opts={
        'linecolor': np.array([
            [255, 0, 0],
        ]),
        'dash': np.array(['dot']),
    }
)

图示：

5》堆叠区域

Y = np.linspace(0, 4, 200)
win = viz.line(
    Y=np.column_stack((np.sqrt(Y), np.sqrt(Y) + 2)),
    X=np.column_stack((Y, Y)),
    opts=dict(
        fillarea=True,
        showlegend=False,
        width=800,
        height=800,
        xlabel='Time',
        ylabel='Volume',
        ytype='log',
        title='Stacked area plot',
        marginleft=30,
        marginright=30,
        marginbottom=80,
        margintop=30,
    ),
)

图示：

更新参数：

# 确保堆叠区域不过大
viz.update_window_opts(
    win=win,
    opts=dict(
        width=300,
        height=300,
    ),
)

图变为：

6）pytorch tensor

# PyTorch tensor
try:
    import torch
    viz.line(Y=torch.Tensor([[., .], [., .]]))
except ImportError:
    print('Skipped PyTorch example')

图示：

3>vis.stem

这个函数绘制一个根茎图。它接受一个N或NxM张量X作为输入，它指定M时间序列中N个点的值。还可以指定一个包含时间戳的可选N或NxM张量Y;如果Y是一个N张量，那么所有M个时间序列都假设有相同的时间戳。

下面是支持的opts:

• opts.colormap: 色图 (string; default = 'Viridis')
• opts.legend : 包含图例名称的表
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# stemplot
Y = np.linspace(0, 2 * math.pi, 70)
X = np.column_stack((np.sin(Y), np.cos(Y)))
viz.stem(
    X=X,
    Y=Y,
    opts=dict(legend=['Sine', 'Cosine'])
)

图示：

4>vis.heatmap

此函数绘制热点图。它接受一个NxM张量X作为输入，它指定了热图中每个位置的值。

下面是支持的opts:

• opts.colormap : 色图 (string; default = 'Viridis')
• opts.xmin : 修剪的最小值 (number; default = X:min())
• opts.xmax : 修剪的最大值(number; default = X:max())
• opts.columnnames: 包含 x-axis 标签的表
• opts.rownames : 包含 y-axis 标签的表
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# heatmap
viz.heatmap(
    X=np.outer(np.arange(1, 6), np.arange(1, 11)),
    opts=dict(
        columnnames=['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'],
        rownames=['y1', 'y2', 'y3', 'y4', 'y5'],
        colormap='Electric',
    )
)

图示：

5>vis.bar

此函数绘制规则的、堆叠的或分组的条形图。它接受一个N或NxM张量X作为输入，它指定了每个条的高度。如果X包含M列，则对每一行对应的值进行堆叠或分组(取决于opts.stacked的选择方式)。除了X，还可以指定一个(可选的)N张量Y，它包含相应的X轴值。

以下是目前支持的特定plot的选项:

• opts.rownames: 包含 x-axis 标签的表
• opts.stacked : 在X中堆叠多个列
• opts.legend : 包含图例名称的表
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

1》

# bar plots
viz.bar(X=np.random.rand(20))

图示：

2》

viz.bar(
    X=np.abs(np.random.rand(5, 3)),
    opts=dict(
        stacked=True,
        legend=['Facebook', 'Google', 'Twitter'],
        rownames=['2012', '2013', '2014', '2015', '2016']
    )
)

图示：

3》

viz.bar(
    X=np.random.rand(20, 3),
    opts=dict(
        stacked=False,
        legend=['The Netherlands', 'France', 'United States']
    )
)

图示：

6>vis.histogram

这个函数绘制指定数据的直方图。它接受一个N张量X作为输入，它指定了用来构造直方图的数据。

以下是目前支持的特定plot的选项:

• opts.numbins: bins数量 (number; default = 30)
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# histogram
viz.histogram(X=np.random.rand(10000), opts=dict(numbins=20))

图示：

7> vis.boxplot

此函数绘制指定数据的箱形图。它接受一个N或一个NxM张量X作为输入，该张量X指定了N个数据值，用来构造M个箱形图。

以下是目前支持的特定plot的选项:

• opts.legend: 在X中每一列的标签
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# boxplot
X = np.random.rand(100, 2)
X[:, 1] += 2
viz.boxplot(
    X=X,
    opts=dict(legend=['Men', 'Women'])
)

图示：

8>vis.surf

这个函数绘制一个曲面图。它接受一个NxM张量X作为输入，该张量X指定了曲面图中每个位置的值。

下面是支持的opts:

• opts.colormap : 色图 (string; default = 'Viridis')
• opts.xmin : 修剪的最小值 (number; default = X:min())
• opts.xmax : 修剪的最大值(number; default = X:max())
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# surface
viz.surf(X=X, opts=dict(colormap='Hot'))

图示：

9>vis.contour

这个函数绘制等高线。它接受一个NxM张量X作为输入，该张量X指定等高线图中每个位置的值。

下面是支持的opts:

• opts.colormap : 色图 (string; default = 'Viridis')
• opts.xmin : 修剪的最小值 (number; default = X:min())
• opts.xmax : 修剪的最大值(number; default = X:max())
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# contour
x = np.tile(np.arange(1, 101), (100, 1))
y = x.transpose()
X = np.exp((((x - 50) ** 2) + ((y - 50) ** 2)) / -(20.0 ** 2))
viz.contour(X=X, opts=dict(colormap='Viridis'))

图示：

10>vis.quiver

该函数绘制一个抖动图，其中箭头的方向和长度由NxM张量X和y决定。可以提供两个可选的NxM张量gridX和gridY，指定箭头的偏移量;默认情况下，箭头将在常规网格上执行。

下面是支持的opts:

• opts.normalize: 最长箭头长度 (number)
• opts.arrowheads: 显示箭头 (boolean; default = true)
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# quiver plot
X = np.arange(0, 2.1, .2)
Y = np.arange(0, 2.1, .2)
X = np.broadcast_to(np.expand_dims(X, axis=1), (len(X), len(X)))
Y = np.broadcast_to(np.expand_dims(Y, axis=0), (len(Y), len(Y)))
U = np.multiply(np.cos(X), Y)
V = np.multiply(np.sin(X), Y)
viz.quiver(
    X=U,
    Y=V,
    opts=dict(normalize=0.9),
)

图示：

11>vis.mesh

这个函数从一组在Nx2或Nx3矩阵X中定义的顶点和在可选的Mx2或Mx3矩阵Y中定义的多边形中绘制网格图。

下面是支持的opts:

• opts.color: 颜色 (string)
• opts.opacity: 多边形的不透明度 (number between 0 and 1)
• opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# mesh plot
x = [0, 0, 1, 1, 0, 0, 1, 1]
y = [0, 1, 1, 0, 0, 1, 1, 0]
z = [0, 0, 0, 0, 1, 1, 1, 1]
X = np.c_[x, y, z]
i = [7, 0, 0, 0, 4, 4, 6, 6, 4, 0, 3, 2]
j = [3, 4, 1, 2, 5, 6, 5, 2, 0, 1, 6, 3]
k = [0, 7, 2, 3, 6, 7, 1, 1, 5, 5, 7, 6]
Y = np.c_[i, j, k]
viz.mesh(X=X, Y=Y, opts=dict(opacity=0.5))

图为：

12>vis.pie饼图

举例：

# pie chart
X = np.asarray([19, 26, 55])
viz.pie(
    X=X,
    opts=dict(legend=['Residential', 'Non-Residential', 'Utility'])
)

图示：