深度学习：Linux服务器使用TensorBoard在本地显示

本文主要介绍的是在Linux服务器使用TensorBoard执行深度学习的训练，将训练过程的中参数记录并保存下来，并在本地进行显示，关于TensorBoard更多的教程可参考Pytorch官网TensorBoard文档

TensorBoard介绍

TensorBoard是一个用于可视化和调试深度学习模型的工具，由Google的TensorFlow团队开发。它提供了一种直观的方式来观察模型在训练过程中的性能和行为。

TensorBoard可以用于以下几个方面：

1. 可视化模型图：TensorBoard能够显示模型的计算图，帮助你理解模型的结构以及数据在模型中的流动方式。
2. 显示训练过程：TensorBoard可以记录和可视化模型在训练过程中的指标，如损失函数的变化、准确率的变化等。这些信息有助于你监控模型的性能并对训练进行调整。
3. 可视化权重和梯度：TensorBoard可以显示模型中各层的权重和梯度的分布情况，帮助你了解模型的学习情况和收敛速度。
4. 可视化嵌入向量：如果你的模型包含嵌入层，TensorBoard可以将嵌入向量可视化为三维空间中的点，帮助你理解在不同特征之间的关系。
5. 可视化网络图像：如果你的模型是用于图像处理的，TensorBoard可以显示输入图像、模型生成的图像以及它们之间的差异，帮助你对模型进行调试和改进。

TensorBoard通过在训练过程中将日志信息写入到磁盘，然后提供一个Web界面来展示这些信息。你只需要在代码中导入TensorBoard库并将需要显示的信息写入日志，然后运行训练脚本，在浏览器中打开TensorBoard的网址即可看到相应的可视化结果。

具体步骤

1、模型训练时，使用tensorboard中的SummaryWriter模块进行记录与保存：

# 导入tensorboard
from torch.utils.tensorboard import SummaryWriter
# 将SummaryWriter实例化，这里传入的参数就是指向文件夹的路径
writer = SummaryWriter("../logs")
# 调用对象的成员函数，记录并保存相关的数或图。
# tag指定可视化时这个变量的名字，scalar_value是你要存的值，global_step可以理解为x轴坐标。
writer.add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')
writer.add_images(tag, img_tensor, global_step=None, walltime=None, dataformats='NCHW')
writer.add_scalar(tag, scalar_value, global_step=None, walltime=None)

writer.close()

2、连接ssh时，将服务器的6016端口重定向到自己机器上来：

ssh -L 16006:127.0.0.1:6016 username@remote_server_ip

3、在服务器终端输入：

tensorboard --logdir='../logs' --port=6016

4、在本地浏览器中输入地址：

127.0.0.1:16006

参考文献

如何在服务器上远程使用tensorboard?