当前位置：首页 > news >正文

初识pytorch：关于数据展示的组件tensorboard

news 2025/10/12 18:55:12

tensorboard
- tensorboard的介绍
- tensorboard的使用流程
- tensorboard的使用技巧
- 关于tensorboard的总结

tensorboard

tensorboard的介绍

tensorboard的作用就是让训练的过程可视化，例如大家伙在写代码的时候会在每一轮epoch中添加输入loss值的代码，但是文字终究没有一张图表来的直观。
虽然使用pandas库结合其他库也可以达到类似的效果，但是tensorboard是专门为深度学习设计的可视化工具，虽然刚开始是TensorFlow生态系统中的一环，但是pytorch中也支持使用它，总的来说用起来还是很方便的，同时看起来也是很直观的，不用自己去设置坐标轴什么的。

接下来是客观的介绍：
TensorBoard 是 TensorFlow 生态系统中一款强大的可视化工具，后来也被 PyTorch 等其他深度学习框架支持。它主要用于监控和分析模型训练过程，通过直观的可视化界面帮助开发者理解模型行为、调试训练过程并优化模型性能。

tensorboard的作用

**1.scalar 标量可视化 **
跟踪训练过程中的数值指标变化，如损失值（loss）、准确率（accuracy）、学习率（learning rate）等。通过折线图展示指标随训练步数（step）或轮次（epoch）的变化趋势，方便观察模型收敛情况。
示例场景：对比不同学习率下损失值的下降速度，判断模型是否过拟合（训练集准确率高但验证集准确率低）。

**2.图像可视化 **
展示训练数据、模型输入 / 输出图像、特征图等。例如：

查看预处理后的训练样本是否符合预期
可视化卷积神经网络中间层的特征图，理解模型关注的图像区域
展示生成模型（如 GAN）生成的图像效果

**3.计算图可视化 **
以图形化方式展示模型的网络结构，包括各层的连接关系、参数数量等。帮助开发者直观理解模型架构，检查是否存在设计错误（如层连接错误、维度不匹配）。

**4.直方图与分布可视化 **
展示模型参数（权重、偏置）或梯度的分布变化。通过直方图或分布曲线，可观察参数是否正常初始化、梯度是否消失或爆炸，辅助判断模型训练稳定性。

**5.嵌入向量可视化 **
将高维特征向量（如文本嵌入、图像特征）通过 PCA、t-SNE 等降维算法投影到 2D 或 3D 空间，直观展示数据的聚类情况。常用于分析模型对数据的特征提取能力（如相似样本是否聚在一起）。

tensorboard的使用流程

1.首先你的电脑得有tensorboard，如果没有下载tensorboard的话可以使用pip进行下载，例如：

pip install tensorboard

2.然后要引入tensorboard和设定它保存的目录地址，例如：

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter('logs')  # 日志将保存到 logs 目录 （这里是相对地址）

3.写入数据到你指定的目录里面，例如：

写一些标量数据（例如准确率，损失值等），示例代码：

for epoch in range(10):loss = ...  # 计算当前轮次的损失acc = ...   # 计算当前轮次的准确率writer.add_scalar('Loss/train', loss, epoch)  # 标签/训练集，值，步数writer.add_scalar('Accuracy/val', acc, epoch)  # 标签/验证集

写一些图像（注意这里可以不只是一张图像），示例代码：

import torchvision
from torchvision import datasets, transforms# 加载示例图像
transform = transforms.Compose([transforms.ToTensor()])
train_dataset = datasets.MNIST(root='data', train=True, transform=transform, download=True)
images, labels = next(iter(torch.utils.data.DataLoader(train_dataset, batch_size=4)))# 制作网格图像并写入
img_grid = torchvision.utils.make_grid(images)
writer.add_image('MNIST_samples', img_grid, 0)  # 标签，图像，步数

写入模型，示例代码：

import torch.nn as nn# 定义一个简单模型
model = nn.Sequential(nn.Linear(784, 256),nn.ReLU(),nn.Linear(256, 10)
)# 写入模型结构（需要输入样例）
writer.add_graph(model, input_to_model=torch.randn(1, 784))

**4.启动 TensorBoard 查看结果 **
在终端（cmd打开或者pycharm里面就有）运行以下命令，指定日志目录，示例代码：