可视化工具TensorBoard

       TensorBoard 是一款用于机器学习实验可视化的工具，支持跟踪训练指标、分析模型结构及调试数据分布。

‌1. 定义与核心功能‌

• ‌工具定位‌：TensorBoard 是 TensorFlow 官方提供的可视化套件，适用于模型训练过程的实时监控与结果分析‌。
• ‌核心功能‌：
  • ‌指标跟踪‌：记录损失（Loss）、准确率（Accuracy）等标量数据的变化趋势‌。
  • ‌模型可视化‌：展示计算图（Computational Graph），直观呈现网络层和操作结构‌。
  • ‌数据分布分析‌：通过直方图（Histograms）和分布图（Distributions）监控权重、偏差等张量的动态变化‌。
  • ‌多维数据投影‌：将高维嵌入向量（Embeddings）降维至 2D/3D 空间，便于观察聚类效果‌。

‌2. 主要功能模块‌

模块	用途	适用场景
‌Scalars‌	跟踪标量指标（如损失、学习率）的曲线图	监控训练收敛性‌
‌Graphs‌	可视化模型的计算图结构	调试模型架构‌
‌Images/Audio‌	显示输入样本（如图像、音频）及其增强后的效果	验证数据预处理‌
‌Histograms‌	展示权重、梯度等张量的分布变化	分析参数稳定性‌
‌Embeddings‌	可视化高维数据的低维投影（如词向量）	观察特征聚类‌

‌3. 安装与部署‌

‌安装步骤

# 基础安装（TensorFlow/PyTorch 通用）
pip install tensorboard# PyTorch 专用支持（若 PyTorch 版本 <1.2.0 需安装 tensorboardX）
pip install tensorboardX

‌生成日志文件

from torch.utils.tensorboard import SummaryWriter# 创建日志写入对象（默认生成 logs 文件夹）
writer = SummaryWriter("logs")# 记录标量数据（如损失）
for epoch in range(100):loss = ...  # 计算损失writer.add_scalar("Loss/train", loss, epoch)# 记录图像数据（如输入样本）
images = ...  # 获取图像数据
writer.add_images("Training_samples", images, epoch)# 关闭写入器
writer.close()

‌4. 在 PyTorch 中的使用‌

‌关键操作‌

1. ‌记录标量‌：add_scalar(tag, value, step) 记录损失或准确率‌。
2. ‌记录图像‌：add_images(tag, img_tensor, step) 可视化输入或中间特征图‌。
3. ‌记录模型结构‌：

   model = ...  # 定义模型
   input_sample = torch.randn(1, 3, 224, 224)  # 示例输入
   writer.add_graph(model, input_sample)  # 记录计算图‌:ml-citation{ref="4,8" data="citationList"}
   

‌5. 查看可视化结果

1）启动 TensorBoard 服务

tensorboard --logdir=logs --port=6006

2）访问 http://localhost:6006 查看可视化面板‌。