当前位置：首页 > news >正文

PyTorch新手必看！轻松掌握TensorBoard可视化技巧，让你的模型调试不再头疼！

news 2026/5/12 21:20:55

本文介绍了TensorBoard作为TensorFlow的可视化工具，如何在PyTorch中集成使用。主要内容包括安装TensorBoard，使用SummaryWriter记录标量数据、张量分布直方图、图像/文本/音频可视化等，以及如何启动TensorBoard服务并查看可视化结果。通过这些步骤，开发者可以更直观地监控和调试深度学习模型的训练过程，提升模型开发效率。

第 1 章简介

TensorBoard 是 TensorFlow 提供的可视化工具，用于监控和调试深度学习模型的训练过程。尽管它最初是为 TensorFlow 设计的，但 PyTorch 通过 torch.utils.tensorboard 模块也能轻松集成 TensorBoard，实现训练过程的可视化。其功能包括：标量可视化（如 loss、accuracy）张量分布直方图（如权重、梯度）图像/文本/音频可视化高维数据降维投影（如词嵌入）

第 2 章安装Tensorboard

安装命令如下

pip install tensorboard

第 3 章基础使用

3.1概述

在 PyTorch 中使用 TensorBoard 的基本流程如下：（1）使用 torch.utils.tensorboard.SummaryWriter 将数据写入日志文件。（2）启动 TensorBoard 服务，让其监听指定日志目录。（3）使用浏览器访问 TensorBoard 页面，查看可视化结果，如标量曲线、直方图等。完整流程如下图所示：

3.2创建 SummaryWriter

SummaryWriter由Pytorch提供，用于将数据写入日志文件中。其创建语法为：

from torch.utils.tensorboard import SummaryWriter # 创建写入器，指定日志保存目录 writer=SummaryWriter(log_dir="./logs")

上述代码表示：创建一个名为 writer 的写入器对象所有写入的数据都会保存在当前目录下的 logs/ 文件夹中如果该目录不存在，在写入数据时会自动创建

3.3记录标量数据

在深度学习中，训练过程通常会产生一些随时间变化的单个数值，例如损失函数值（loss），这些数值被称为标量（scalar），适合使用曲线图展示其随时间或迭代次数的变化趋势。TensorBoard 提供了专门的 Scalars 面板来展示这些数值，帮助我们判断模型是否正在学习，训练是否稳定，参数调整是否有效等。在 PyTorch 中，可以使用 SummaryWriter.add_scalar() 方法记录标量数据，具体语法为：

writer.add_scalar(tag, scalar_value, global_step)

参数说明如下：

示例代码如下：

from torch.utils.tensorboard import SummaryWriter writer=SummaryWriter(log_dir="./logs/scalar_demo") for step in range(100): writer.add_scalar("scaler/y=x", step, step) writer.add_scalar("scaler/y=x^2", step**2, step) writer.close()

3.4启动Tensorboard服务

完成数据写入后，可以通过以下命令启动 TensorBoard 服务：

tensorboard--logdir ./logs

说明：–logdir 参数指定日志文件所在的目录。TensorBoard 会递归遍历该目录下所有子文件夹，加载其中的日志文件。每个子文件夹将作为一个标签（run），在网页界面中可以选择查看对应数据。启动成功后，你将看到类似如下提示：

TensorFlowinstallation not found-running with reducedfeature set. ServingTensorBoardonlocalhost; toexposetothenetwork, useaproxy or pass--bind_all TensorBoard2.19.0at http://localhost:6006/ (PressCTRL+Ctoquit)

访问上述地址http://localhost:6006/，即可查看图像，如下图所示