pytorch中使用TensorBoard进行可视化Loss及特征图

最新推荐文章于 2025-11-10 00:12:11 发布

原创

最新推荐文章于 2025-11-10 00:12:11 发布 · 2.8w 阅读

202 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #python #人工智能

本文详细介绍如何在PyTorch中利用TensorBoard实时监控损失曲线，并可视化卷积层特征图，通过forward_hook实现网络内部特征映射的可视化，助力模型理解和调试。

pytorch中使用TensorBoard进行可视化Loss及特征图

安装导入TensorBoard

安装TensorBoard
```
pip install tensorboard
```

导入TensorBoard

from torch.utils.tensorboard import SummaryWriter

实例化TensorBoard
```
writer = SummaryWriter('./logs')
```

可视化标量数据

训练过程中的loss，accuracy等都是标量，都可以用TensorBoard中的add_scalar来显示，add_scalar方法中第一个参数表示表的名字，第二个参数表示的是你要存的值，第三个参数可以理解为x轴坐标。

for i in range(100):
    loss = i
    writer.add_scalar("loss",loss,i)
writer.close()

终端输入tensorboard --logdir=logs，开启TensorBoard

可视化网络结构

使用add_graph方法，可以将定义的网络模型可视化，第一个参数传入模型对象，第二个参数用来描述输入的shape

import torch

class Model(torch.nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        self.convl = torch.nn.Sequential(
            torch.nn.Conv2d(1,64,kernel_size=3,stride=1,padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(64,128,kernel_size=3,stride=1,padding=1),
            torch.nn.ReLU(),
            torch.nn.MaxPool2d(stride=2,kernel_size=2)
        )
    
        self.dense = torch.nn.Sequential(
            torch.nn.Linear(14*14*128,1024),
            torch.nn.ReLU(),