Linux中PyTorch的图形界面如何操作 - 问答

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。

0 赞

0 踩