tensorboard使用（FCN为例记录Train Acc和Train Mean IU）

1、导入类

要将训练过程中的数据保存到TensorBoard，你可以使用PyTorch的SummaryWriter类。这个类可以将训练过程中的各种信息记录到TensorBoard日志文件中，然后你可以使用TensorBoard工具来可视化这些信息。

from torch.utils.tensorboard import SummaryWriter

2、创建实例和保存

在训练开始前创建一个SummaryWriter对象，用于保存数据

if __name__ == "__main__":
    log_dir = './logs'  # 指定日志保存路径
    writer = SummaryWriter(log_dir=log_dir)  # 创建SummaryWriter对象

    train(fcn)

    writer.close()  # 关闭SummaryWriter

3、添加数据实例fcn

在每个epoch的训练循环内部，添加以下代码来记录Train Acc和Train Mean IU：

# 在循环内部，计算Train Acc和Train Mean IU后添加以下代码
writer.add_scalar('Train Acc', train_acc / len(train_data), epoch)
writer.add_scalar('Train Mean IU', train_miou / len(train_data), epoch)

4、查看数据

打开终端，导航到存储TensorBoard日志的目录。这是你在SummaryWriter中指定的日志保存路径，例如：

cd /path/to/your/logs

在终端中运行以下命令来启动TensorBoard：

tensorboard --logdir=./

这将启动TensorBoard服务器，并监听默认端口（通常是6006）。点击跳出来的 链接或者你可以在浏览器中输入以下地址来访问TensorBoard的Web界面：

http://localhost:6006/

补充：from torch.utils.tensorboard import SummaryWriter 与tensorboard库有什么区别

from torch.utils.tensorboard import SummaryWriter 实际上是从PyTorch库中导入的SummaryWriter类，用于将数据写入到TensorBoard日志文件中。这与直接使用tensorboard库不同，下面是一些区别：

1. 集成性质： torch.utils.tensorboard.SummaryWriter 是 PyTorch 内置的，专门用于与 PyTorch 代码一起使用的。这样你可以更方便地将 PyTorch 中的训练指标与 TensorBoard 结合起来。而 tensorboard 库则是 TensorFlow 的官方库，它是独立于任何深度学习框架的通用可视化工具。

2. 语法和接口： SummaryWriter 与 PyTorch 的操作风格和语法更加一致，适合在 PyTorch 代码中使用。而 tensorboard 库的接口则更加适合在 TensorFlow 代码中使用。

3. 配置和设置： 使用 torch.utils.tensorboard.SummaryWriter 可以利用 PyTorch 的配置和设定，如选择设备（CPU或GPU）等。而在使用 tensorboard 库时，你可能需要进行额外的配置和设置以适配不同的深度学习框架。

4. 依赖： torch.utils.tensorboard.SummaryWriter 依赖于 PyTorch，因此如果你已经在使用 PyTorch，那么你不需要安装额外的依赖库。而 tensorboard 库则需要单独安装，并且可能会引入一些 TensorFlow 相关的依赖。

总之，如果你正在使用 PyTorch，并且希望将训练指标与 TensorBoard 集成在一起，那么 from torch.utils.tensorboard import SummaryWriter 是更适合的选择。如果你不依赖于任何特定的深度学习框架，或者希望与 TensorFlow 集成，那么你可以考虑使用 tensorboard 库。