1.  安裝visdom：pip install visdom

2.在shell下，輸入： python -m visdom.server，則開啟web服務。

出現：

在瀏覽器輸入：http://localhost:8097   ，即跳出介面。

3.在python下輸入程式：記得執行

import torch
import visdom
vis = visdom.Visdom(env='test1')
x = torch.arange(1,30,0.01)
y = torch.sin(x)
vis.line(X=x,Y=y,win='sinx',opts={'title':'y=sin(x)'})
 

4.在網頁中選env 為test1

注意重新整理下網頁，即出現可檢視。

詳細（方便以後自己看）：

Visdom可以創造、組織和共享多種資料的視覺化，包括數值、影象、文字，甚至是視訊，其支援PyTorch、Torch及Numpy。使用者可通過程式設計組織視覺化空間，或通過使用者介面為生動資料打造儀表板，檢查實驗結果或除錯程式碼。

Visdom中有兩個重要概念：

• env：環境。不同環境的視覺化結果相互隔離，互不影響，在使用時如果不指定env，預設使用main。不同使用者、不同程式一般使用不同的env。
• pane：窗格。窗格可用於視覺化影象、數值或列印文字等，其可以拖動、縮放、儲存和關閉。一個程式中可使用同一個env中的不同pane，每個pane視覺化或記錄某一資訊。

      點選clear按鈕可以清空當前env的所有pane，點選save按鈕可將當前env儲存成json檔案，儲存路徑位於~/.visdom/目錄下。也可修改env的名字後點擊fork，儲存當前env的狀態至更名後的env。

Visdom的安裝可通過命令pip install visdom。安裝完成後，需通過python -m visdom.server命令啟動visdom服務，或通過nohup python -m visdom.server &命令將服務放至後臺執行。Visdom服務是一個web server服務，預設繫結8097埠，客戶端與伺服器間通過tornado進行非阻塞互動。

Visdom的使用有兩點需要注意的地方：

• 需手動指定儲存env，可在web介面點選save按鈕或在程式中呼叫save方法，否則visdom服務重啟後，env等資訊會丟失。
• 客戶端與伺服器之間的互動採用tornado非同步框架，視覺化操作不會阻塞當前程式，網路異常也不會導致程式退出。

Visdom以Plotly為基礎，支援豐富的視覺化操作。

- vis = visdom.Visdom(env=u'test1')，用於構建一個客戶端，客戶端除指定env之外，還可以指定host、port等引數。
- vis作為一個客戶端物件，可以使用常見的畫圖函式，包括：

    - line：類似Matlab中的`plot`操作，用於記錄某些標量的變化，如損失、準確率等
    - image：視覺化圖片，可以是輸入的圖片，也可以是GAN生成的圖片，還可以是卷積核的資訊
    - text：用於記錄日誌等文字資訊，支援html格式
    - histgram：視覺化分佈，主要是檢視資料、引數的分佈
    - scatter：繪製散點圖
    - bar：繪製柱狀圖
    - pie：繪製餅狀圖
    - 更多操作可參考visdom的github主頁
    
這裡主要介紹深度學習中常見的line、image和text操作。

Visdom同時支援PyTorch的tensor和Numpy的ndarray兩種資料結構，但不支援Python的int、float等型別，因此每次傳入時都需先將資料轉成ndarray或tensor。上述操作的引數一般不同，但有兩個引數是絕大多數操作都具備的：
- win：用於指定pane的名字，如果不指定，visdom將自動分配一個新的pane。如果兩次操作指定的win名字一樣，新的操作將覆蓋當前pane的內容，因此建議每次操作都重新指定win。
- opts：選項，接收一個字典，常見的option包括`title`、`xlabel`、`ylabel`、`width`等，主要用於設定pane的顯示格式。

之前提到過，每次操作都會覆蓋之前的數值，但往往我們在訓練網路的過程中需不斷更新數值，如損失值等，這時就需要指定引數`update='append'`來避免覆蓋之前的數值。而除了使用update引數以外，還可以使用`vis.updateTrace`方法來更新圖，但`updateTrace`不僅能在指定pane上新增一個和已有資料相互獨立的Trace，還能像`update='append'`那樣在同一條trace上追加資料。

import torch
import visdom
vis = visdom.Visdom(env='test1')
x = torch.arange(1,30,0.01)
y = torch.sin(x)
vis.line(X=x,Y=y,win='sinx',opts={'title':'y=sin(x)'})

# append 追加資料
for ii in range(0, 10):
    # y = x
    x = torch.Tensor([ii])
    y = x
    vis.line(X=x, Y=y, win='polynomial', update='append' if ii > 0 else None)

# updateTrace 新增一條線
x = torch.arange(0, 9, 0.1)
y = (x ** 2) / 9
vis.line(X=x, Y=y, win='polynomial', name='this is a new Trace')

# 視覺化一個隨機的黑白圖片
#vis.image(torch.randn(64, 64).numpy())

# 隨機視覺化一張彩色圖片
vis.image(torch.randn(3, 64, 64).numpy(), win='random2')

# 視覺化36張隨機的彩色圖片，每一行6張
vis.images(torch.randn(36, 3, 64, 64).numpy(), nrow=6, win='random3', opts={'title':'random_imgs'})

vis.text(u'''<h1>Hello Visdom</h1><br>Visdom是Facebook專門為<b>PyTorch</b>開發的一個視覺化工具，
         在內部使用了很久，在2017年3月份開源了它。

         Visdom十分輕量級，但是卻有十分強大的功能，支援幾乎所有的科學運算視覺化任務''',
         win='visdom',
         opts={'title': u'visdom簡介'}
         )

結果圖：