Windows 10安装PyTorch可视化工具Visdom：Anaconda环境全指南

本文介绍在 Windows 10 操作系统下，使用 Anaconda 管理 Python 环境（版本 3.7.10），安装 PyTorch 官方可视化工具 Visdom 的详细步骤，涵盖两种安装方法，并重点解决因网络问题导致的安装与启动失败。

1. Visdom 安装方法

Visdom 官方提供了两种主要的安装方式。

方法一：使用 pip 直接安装

最直接的方式是在目标 Conda 虚拟环境中使用 pip 命令安装。但由于网络环境差异，此方法可能因访问国外源速度过慢或依赖包缺失而失败。

# 在激活的虚拟环境中尝试安装
pip install visdom
# 或使用 pip3
pip3 install visdom

方法二：从 GitHub 源码安装

当直接 pip 安装失败时，从源码安装是更可靠的选择。

安装步骤如下：

1. 下载源码：访问 Visdom 的 GitHub 仓库，下载 master 分支的源码压缩包并解压。

2. 进入环境与目录：打开 Anaconda Prompt，激活你用于深度学习（如 PyTorch）的目标虚拟环境，并使用 cd 命令切换到解压后的 visdom 目录。

   

3. 执行安装：在源码目录下，运行以下命令执行安装。pip install -e . 会读取当前目录下的 setup.py 文件进行安装。

   # 从源码安装 Visdom
   pip install -e .
   # 若上述命令有问题，可尝试官方提供的备选方案
   easy_install .

4. 验证安装：若步骤3成功执行，则 Visdom 已安装完毕，可进行后续的启动测试。

2. 解决启动时的 “Downloading scripts” 问题

成功安装后，通常通过 python -m visdom.server 命令启动服务。此时，Visdom 需要从国外服务器下载运行所需的 JavaScript 等静态文件，命令行会显示 Downloading scripts，国内用户极易在此步骤因网络超时而卡住。

解决方案1：使用代理（亲测有效）

确保系统处于稳定的全局代理或科学上网环境，再次执行启动命令。这是最直接的解决方法。

注意：部分代理工具可能导致 Python 网络请求报错（如 check_hostname requires server_hostname）。若遇此问题，可暂时关闭代理尝试，或检查代理设置是否正确。

解决方案2：手动修改 server.py 文件并准备静态资源

如果无法使用代理，可以手动修改源代码，阻止其在线下载，并改为使用本地静态文件。

1. 找到 server.py 文件：该文件通常位于虚拟环境的 Lib/site-packages/visdom/ 目录下。如果在该目录下未找到 visdom 文件夹，请跳转到 第3节 查看如何定位。
2. 修改文件：使用文本编辑器打开 server.py，找到关于 download_scripts 的函数或代码块，将其逻辑注释或修改为直接使用本地路径。
3. 获取静态文件：单纯注释下载逻辑会导致页面无法加载，因为缺少 .js 文件。你需要手动从源码或其他途径获取 static 文件夹下的资源，并放置到正确的路径。

3. 找不到 server.py 文件的解决方法

若你通过 pip install -e . 方式安装，可能会在 site-packages 目录下找不到 visdom 文件夹，而是看到一个 visdom.egg-link 文件。

此文件记录了 Visdom 实际安装的源码路径。使用记事本或 Notepad++ 等编辑器打开该文件，即可看到具体路径。

根据该路径找到 Visdom 的源码根目录，其中的 py/ 子目录下就包含需要修改的 server.py 文件。修改完成后，在虚拟环境中输入 visdom 或 python -m visdom.server 命令启动。

4. 安装过程中可能遇到的其它问题

问题1：依赖包安装缓慢或失败

在执行 pip install -e . 时，Visdom 会自动检查并安装其依赖（如 numpy, scipy, requests, tornado 等）。若某个依赖包下载速度极慢，可以单独处理。

• 手动下载 .whl 文件：可以从 Unofficial Windows Binaries for Python Extension Packages 等网站下载对应 Python 版本和系统环境的 .whl 文件。
• 手动安装依赖：在激活的虚拟环境中，使用 pip install 命令安装下载好的 .whl 文件。所有依赖安装完毕后，再次执行 pip install -e . 即可。

问题2：环境与配置冲突

确保你使用的 Python 环境（如通过 Anaconda 管理的环境）是干净且兼容的。有时，复杂的人工智能项目环境可能存在包版本冲突。建议为 PyTorch 等深度学习框架创建独立的虚拟环境进行管理，这能有效隔离依赖，也是现代 Python 开发的推荐实践。