PyTorch里如何利用TensorBoard--详解

通过这份文档的学习，我们会了解到如何往TensorBoard里面送入图片、图表、模型、scalars(损失值、权值、偏置等)、构建embeddings、PR曲线等，其中送入的图片或图表数据主要是多张图片合成的网格图片，利用torchvision.utils.make_grid函数或fig.add_subplot构建，细节内容请往下看。

本片文档来源于PyTorch官方教程，我仅其内容进行部分解读，多数解读是注释在代码行中。
声明：没有耐心看几句英文说明的可以试一下Ctrl + W，我建议大家静下心来学习，不要浮躁。

如果看明白了本文内容，想要更细致地了解Pytorch下TensorBoard的相关用法，可以看官方的Document（https://pytorch.org/docs/stable/tensorboard.html?highlight=tensorboard）

Let’s get started！

在这份文档中，将记录以下几点：

1. 读取数据，并作适当的数据转换；
2. 设置TensorBoard；
3. 写入TensorBoard相关内容；
4. 利用TensorBoard查看模型结构；
5. 利用TensorBoard创建可视化的交互界面；

特别是在第5点中，我们将看到：

• 查看训练数据的几种方式；
• 在训练时如何追踪模型的性能；
• 训练结束后，如何评估模型的性能。

本文所用数据集为 CIFAR-10。

# imports
import matplotlib.pyplot as plt
import numpy as np

import torch
import torchvision
import torchvision.transforms as transforms # 注意transforms是torchvision里面的工具，主要是为图像开发

import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

# transforms
transform = transforms.Compose(
    [transforms.ToTensor(),  # 转变成pytorch类型的tensor，针对图像进行转变，把载入的图像转变成Pytorch格式的tensor，结果为NCHW
    transforms.Normalize((0.5,), (0.5,))]) # 标准化操作

# datasets
trainset = torchvision.datasets.FashionMNIST('./data',# 下载“训练集”/“测试集”，并转变数据形式(对图片格式进行转变)
    download=True,
    train=True,
    transform=transform)
testset = torchvision.datasets.FashionMNIST('./data',  
    download=True,
    train=False,
    transform=transform)

# dataloaders
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                        shuffle=True, num_workers=2)


testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                        shuffle=False, num_workers=2)  # 这里面有一些讲究，尤其是多进程相关的，回过头来可以再看

# constant for classes
classes = ('T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
        'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle Boot')

# helper function to show an image
# (used in the `plot_classes_preds` function below)
def matplotlib_imshow(img, one_channel=False):
    if one_channel:         
        img = img.mean(dim=0) # 其实就是一种数据维度的压缩，可以替换为img = img.squeeze(0)
    img = img / 2 + 0.5     # unnormalize 反归一化，反向操作
    npimg = img.numpy()
    if one_channel:
        plt.imshow(npimg, cmap="Greys")
    else:
        plt.imshow(np.transpose(npimg, (</