TensorBoard（一）

1、概念

TensorBoard可以看作是一个“训练监控仪表盘”，可以

将训练过程中的数据可视化，让你通过图表直观地看到模型的表现，

识别问题，并进行调试和优化。

TensorFlow是用来训练模型的深度学习框架，在使用tensorflow训练模型时，可以通过tensorboard来对数据进行可视化，帮助优化模型。

Pytorch也是一种深度学习框架。

• TensorFlow：功能强大，但初学者可能觉得上手稍难，适合工业生产中应用
• PyTorch：语法简洁，易于理解，许多用户觉得它更友好，在学术界中非常受欢迎

（一些项目可能会在研究阶段使用 PyTorch，随后在生产环境中使用 TensorFlow）

2、如何使用TensorBoard?（代码）

（1）安装tensorflow或pytorch后，引入SummaryWriter类

SummaryWriter：用来记录数据的指标

from torch.utils.tensorboard import SummaryWriter

（2）创建SummarWriter实例及其关联文件夹

writer=SummaryWriter("logs") 

logs是即将创建的文件夹名称（日志目录）

（3）记录训练过程中产生的数据

for i in range(100):
    writer.add_scalar("y=3x",3*i,i)

 1、writer.add_scalar()：记录标量数据（如损失、准确率等）并进行可视化

writer.add_scalar(tag, scalar_value, global_step=None)

tag：标签（相当于标题）

scalar_value：要记录的标量值（y轴的值）

global_step：记录的步数（x轴的值）

2、writer.add_image()：记录图像数据并进行可视化

writer.add_image(tag, image, global_step=None, dataformats='CHW')

tag：标签（标题）

image：要记录的图像

global_step：记录的步数

dataformats：数据格式（默认为 'CHW'（通道-高度-宽度））

（4）关闭文件夹

writer.close() 

from torch.utils.tensorboard import SummaryWriter

writer=SummaryWriter("logs")

# writer.add_image()
# writer.add_scalar()
for i in range(100):
    writer.add_scalar("y=3x",3*i,i)

writer.close()

 

3、如何查看可视化结果？

 （1）在终端启动TensorBoard：

tensorboard --logdir=logs --port=6007

 --logdir：指定TensorBoard日志文件的目录（就是SummarWriter创建的文件名）

--port：指定端口是6007，避免与默认的6006端口产生冲突（可以多个端口同时运行）

（为什么要在终端启动TensorBoard?

不同的执行环境：TensorBoard 通常需要在独立的进程中运行，以便持续地、实时地监控训练过程，而 Python 脚本通常是一次性执行的；

阻塞问题：在命令行中启动 TensorBoard 通常会占用一个终端窗口，但它不会阻塞整个系统。你可以在一个终端窗口中启动 TensorBoard，然后在另一个终端窗口中执行其他命令或运行训练脚本

简化管理：通过命令行启动 TensorBoard，可以更灵活地指定日志目录、端口等参数）

（2）查看结果

打开浏览器，访问 http://localhost:6007/

（3）如果因为tag未更改而与上一次的事件进行了拟合，则删除logs文件夹，重新运行生成即可。