我们知道深度学习训练过程中，非常重要的一部分是深度学习的可视乎
一般主流的是tensorboard
还有我在一个代码中看到了visdom，感觉非常Nice
想系统学习并了解一下相关内容
Visdom 是一个由 Facebook Research 开发的开源可视化工具，主要用于数据可视化，特别适用于深度学习实验中的实时数据监控。它支持多种数据类型，包括数值、图像、文本和视频等，并且与 PyTorch 紧密集成，同时也支持 Torch 和 Numpy 数据结构。
1 基本概念
-
Panes（窗格）：Visdom 的 UI 界面以窗格的形式展示数据。用户可以通过编程或 UI 界面将数据发送到后端，并生成对应的窗格。窗格可以进行拖放、删除等操作。
-
Environments（环境）：环境用于对可视化空间进行分区。每个用户默认有一个名为
main的环境，不同环境的可视化结果是相互隔离的。 -
State（状态）：服务器会自动缓存可视化的状态，即使重新加载页面或重启服务器，也能恢复之前的状态。
一般我们打开一个可视化界面如下所示
2 安装和启动
- 安装：通过 pip 进行安装，命令为
pip install visdom。 - 启动：使用命令
python -m visdom.server启动 Visdom 服务器。启动后，可以通过浏览器访问http://localhost:8097查看 Visdom 的 Web 界面。
3 使用方法
在 PyTorch 或numpy 中使用 Visdom，通常涉及以下步骤：
3.1 创建 Visdom 对象
viz = Visdom()。选择环境：可以指定环境 env，如 viz = Visdom(env='my_experiment')。
3.2 绘制数据
使用相应的可视化函数，如 viz.line 或 viz.scatter，传入数据和配置选项 opts。
可视乎数据的接口函数有
vis.scatter：散点图，支持 2D/3D 数据。vis.line：线图，用于展示连续数据的变化趋势。vis.bar：条形图，展示分类数据的统计信息。vis.heatmap：热力图，用于展示矩阵数据。vis.image：图片，可以展示单张或多张图片。vis.text：文本，展示文本信息。vis.video：视频，展示视频文件。vis.matplot：matplotlib 图，支持 matplotlib 绘图。
Visdom 的 opts 参数允许用户自定义图表的多种属性，如标题、轴标签、图例、颜色等。
4 代码实例
以下是使用 Visdom 绘制散点图和线图的简单示例：
import numpy as np
from visdom import Visdom
# 初始化 Visdom 连接
viz = Visdom(env="test1")
# 绘制散点图
viz.scatter(X=np.random.rand(255, 2), win="scatter_plot", opts=dict(title="Scatter Plot", markersize=5))
# 绘制折线图
for i in range(10):
viz.line(X=[i], Y=[i*2], win="line_plot",opts=dict(title="Line Plot", markersize=5), update='append')
注意参数中都有win 代表的是这个窗口的ID，更新窗口数据的时候就是通过这个ID，而opts里面的title则是显示给用户的，要区分这两个之间的差异哈
Visdom 支持远程托管，可以将服务器上的可视化结果通过 URL 分享给其他人查看。
