当前位置： 首页 > news >正文

Tensorboard使用

news 2026/6/8 7:21:14

一.整体认知

1.核心定位

TensorBoard 是专门配合 PyTorch/TensorFlow 使用的可视化工具，本身不参与模型运算、训练逻辑，核心作用：读取代码输出的日志文件，在浏览器中生成图表、图片、网络结构图，直观观察模型训练状态。

2.完整工作流程

  1. 编写Python代码，创建日志记录工具writer；

  2. 调用对应方法，将数值、图片、网络结构等数据写入本地logs日志文件夹；

  3. 在终端启动TensorBoard服务，指定读取的日志文件夹；

conda activate D:\conda_envs\pytorch#首先进入虚拟环境,根据条件改变#启动 TensorBoard，根据条件改变--logdir后的logs路径tensorboard--logdir=D:\Users\xin\PycharmProjects\PythonProject2\python\logs
  1. 打开浏览器访问对应地址，查看各类可视化内容。

3.环境前置准备

仅需安装一次，在当前项目所用的虚拟环境终端中执行命令：

pip install tensorboard

二.核心对象：SummaryWriter

1.作用

SummaryWriter是TensorBoard的唯一入口类，所有数据写入、日志生成都依赖它。我们代码中定义的writer变量，就是SummaryWriter实例对象。

2.完整导入语法

除核心库外，额外导入os、shutil：

  • shutil：用于自动删除旧日志文件夹，避免新旧数据叠加导致图表混乱；

  • os：用于判断文件夹是否存在、打印日志绝对路径，解决跨盘、路径找不到的问题。

# 核心库：TensorBoard 日志写入fromtorch.utils.tensorboardimportSummaryWriter# 辅助库：文件路径判断、文件夹删除importosimportshutil

3.创建writer实例（标准完整写法）

代码逻辑说明

  1. 先判断项目目录下是否存在旧的logs文件夹，如果存在则彻底删除；

  2. 实例化SummaryWriter，指定日志存放文件夹名称（示例为logs，可自定义）；

  3. 打印日志文件夹的绝对路径，用于排查路径错误问题。

完整代码

# 1. 判断本地是否存在旧的 logs 文件夹ifos.path.exists("logs"):# 2. 递归删除整个 logs 文件夹及内部所有日志文件shutil.rmtree("logs")# 3. 创建日志写入对象，自动生成全新的 logs 文件夹# 括号内字符串 = 日志文件夹名，可修改为 my_log / train_log 等writer=SummaryWriter("logs")# 4. 打印日志文件夹绝对路径，方便终端启动时核对路径log_abs_path=os.path.abspath(writer.log_dir)print(f"当前日志文件存放绝对路径：{log_abs_path}")

补充说明

  • 文件夹名称自定义规则：代码中写什么名称，终端启动命令--logdir后就必须写相同名称，大小写、字符必须完全一致；(一般写绝对路径，如

tensorboard --logdir=D:\Users\xin\PycharmProjects\PythonProject2\python\logs）

  • 路径规则：不写绝对路径时，logs默认生成在当前.py文件同级目录。
  1. 收尾操作（强制要求，不可省略）

所有数据记录完成后，必须关闭writer对象：

# 关闭日志写入器，将缓存数据完整写入本地文件，防止日志损坏、数据丢失writer.close()

使用场景：代码末尾、训练循环结束后执行。

三.常用方法 1：add_scalar记录标量

1.概念解释

标量（scalar）：单一的数字，无维度、无形状。
深度学习训练中最常用的标量：损失值loss、准确率accuracy、学习率lr。
适用场景：记录训练过程中数值的变化趋势，生成折线图。

2.标准语法格式

writer.add_scalar(tag, scalar_value, global_step)

3.参数逐行详解

  1. tag（字符串）：图表/曲线的名称，自定义，会展示在TensorBoard页面上。
    示例： “训练损失值” 、 “准确率” 、 “损失/训练集” ；
    支持分级命名（用 / 分隔），页面会自动分组管理多条曲线。

2.scalar_value（数字/变量）：需要记录的标量数值，可以是常量、变量、运算表达式。

  1. global_step（整数）：横坐标数值，代表步数/轮数，对应折线图 X 轴。
    常用变量：循环变量step、训练轮数epoch。

注意：不要手动添加tag= 关键字传参，会导致参数顺序错乱、数据写入异常。

4.基础示例（单条曲线）

功能：模拟 5 轮训练，记录一组线性变化的数值，生成单条折线图。

# 导入所需库fromtorch.utils.tensorboardimportSummaryWriterimportosimportshutil# 步骤1：清理旧日志文件夹ifos.path.exists("logs"):shutil.rmtree("logs")# 步骤2：创建日志写入器writer=SummaryWriter("logs")# 步骤3：打印日志绝对路径log_abs_path=os.path.abspath(writer.log_dir)print(f"当前日志文件存放绝对路径：{log_abs_path}")# 步骤4：循环模拟训练，写入标量数据# range(5)：循环 0、1、2、3、4，共5步forstepinrange(5):# 定义需要记录的数值current_value=10-step# 调用方法写入数据writer.add_scalar("测试曲线",current_value,step)# 步骤5：关闭写入器（必写）writer.close()print("标量数据写入完成！")

5.代码运行 + 页面查看完整步骤

  1. 运行上述 Python 代码，控制台打印出日志绝对路径，同时项目目录生成全新 logs 文件夹；

  2. 打开虚拟环境终端，切换到日志所在目录：

  • 方式（绝对路径，路径出错时使用，复制代码打印的路径）：

tensorboard --logdir=你代码打印的日志绝对路径

  1. 终端出现TensorBoard xxx at [http://localhost:6006/](http://localhost:6006/)代表启动成功；

  2. 浏览器输入地址[http://localhost:6006](http://localhost:6006)，点击左侧Scalars选项卡，查看折线图。

6.进阶示例（多条曲线分组展示）

功能：同时记录训练集损失、验证集损失，使用分级标签分组展示。

fromtorch.utils.tensorboardimportSummaryWriterimportosimportshutil# 清理旧日志ifos.path.exists("logs"):shutil.rmtree("logs")# 创建写入器writer=SummaryWriter("logs")log_abs_path=os.path.abspath(writer.log_dir)print(f"当前日志文件存放绝对路径：{log_abs_path}")# 模拟6轮训练 epochforepochinrange(6):# 模拟训练集损失、验证集损失train_loss=5-epoch*0.6val_loss=5-epoch*0.4# 分级标签：同一分组下两条曲线writer.add_scalar("损失/训练集",train_loss,epoch)writer.add_scalar("损失/验证集",val_loss,epoch)# 关闭写入器writer.close()print("多组标量数据写入完成！")

运行后，TensorBoard 页面会出现「损失」分组，内部包含两条对比曲线。

四.常用方法 2：add_images记录图片

1.作用

将数据集内的图片张量写入日志，在浏览器可视化展示。
核心用途：校验图片加载是否正常、图像预处理逻辑是否出错（缩放、归一化、裁剪等）。

2.标准语法格式

writer.add_images(tag, img_tensor, global_step)

3.参数逐行详解

  1. tag（字符串）：图片面板名称，自定义；

  2. img_tensor（张量）：批量图片数据，一般是DataLoader迭代取出的张量，
    要求形状：[batch_size, channel, height, width]（PyTorch 默认格式）；

:::info
形状：[batch_size, channel, height, width] （简写 [B, C, H, W] ）

:::

:::info

  1. batch_size（B）：批次大小，一个批次里包含多少张图片
  2. channel（C）：通道数
  • 灰度图： C=1 （单通道）
  • 彩色图(RGB)： C=3 （三通道）
  1. height（H）：图像高度（像素）
  2. width（W）：图像宽度（像素）

:::

  1. global_step（整数）：序号/轮数，区分不同批次的图片，单批次图片写 0 即可。

4.完整可运行示例

fromtorch.utils.tensorboardimportSummaryWriterimportosimportshutil#数据集，数据加载器，图像预处理库fromtorch.utils.dataimportDataset,DataLoaderfromtorchvisionimporttransforms#图片读取库fromPILimportImage#===========1.初始化+清理日志===============ifos.path.exists('logs'):shutil.rmtree('logs')writer=SummaryWriter('logs')log_abs_path=os.path.abspath('writer.log_dir')print(f'当前日志文件存放绝对路径：{log_abs_path}')#============2.定义图像预处理规则==============transforms=transforms.Compose([transforms.Resize((64,64)),#统一缩放到64*64transforms.ToTensor()#PIL图片转化为 张量，归一化到【0，1】])#=============3.自定义数据集类==================classMyImageDataset(Dataset):def__init__(self,root_dir,transform=None):self.root_dir=root_dir self.transform=transform# 只获取图片文件，过滤掉文件夹和非图片格式self.img_name_list=[]fornameinos.listdir(root_dir):path=os.path.join(root_dir,name)# 只保留文件，并且是常见图片格式ifos.path.isfile(path)andname.lower().endswith(('.jpg','.jpeg','.png','.bmp')):self.img_name_list.append(name)def__len__(self):returnlen(self.img_name_list)def__getitem__(self,idx):img_name=self.img_name_list[idx]img_path=os.path.join(self.root_dir,img_name)# 确保路径存在ifnotos.path.exists(img_path):raiseFileNotFoundError(f"图片不存在:{img_path}")img=Image.open(img_path).convert('RGB')ifself.transform:img=self.transform(img)returnimg#=============4.加载数据集与批量数据===================#替换为本地真实的图片文件夹路径# 推荐写法（原始字符串）image_root=r"D:\Users\xin\PycharmProjects\PythonProject2\pytorch\train\ants"dataset=MyImageDataset(image_root,transform=transforms)print("数据集总长度:",len(dataset))# 打印长度，看是不是 0print("图片列表:",dataset.img_name_list)# 打印读到的文件名#批量加载，每批8张图片dataloader=DataLoader(dataset,batch_size=8,shuffle=True)#取出第一批图片数量batch_imgs=next(iter(dataloader))#================5.写入图片数据到日志====================writer.add_images('训练集的图片预览',batch_imgs,0)#======================6.收尾关闭=======================writer.close()print('图片数据写入完成！')

5.页面查看步骤

  1. 运行代码，生成 logs 文件夹；

  2. 终端启动 TensorBoard（命令同前文）；

  3. 浏览器打开页面，点击左侧 Images 选项卡，即可查看批量图片。

五.常用方法 3：add_graph记录网络结构

1.作用

可视化手写的神经网络模型结构，直观查看：网络层顺序、层与层之间的连接、张量维度传递，快速排查网络搭建错误。

2.标准语法格式

writer.add_graph(model, input_to_model)

3.参数逐行详解

  1. model：自己搭建的神经网络模型对象（必须继承torch.nn.Module）；

  2. input_to_model：模拟模型的输入张量，形状必须和真实训练输入完全一致。

4.完整可运行示例

fromtorch.utils.tensorboardimportSummaryWriterimportosimportshutilimporttorchimporttorch.nnasnn#=================1.初始化+清理日志================ifos.path.exists('logs'):shutil.rmtree('logs')writer=SummaryWriter('logs')log_abs_path=os.path.abspath(writer.log_dir)print(f'当前日志存放绝对路径：{log_abs_path}')#==================2.搭建简单神经网络================classSimpleNet(nn.Module):def__init__(self):super(SimpleNet,self).__init__()#全连接层：输入64*64*3，输出2个分类self.fc=nn.Linear(64*64*3,2)#向前传播defforward(self,x):#展开张量：[batch,3,64,64]->[batch,64*64*3]x=x.flatten(1)x=self.fc(x)returnx#实例化网络模型net=SimpleNet()#====================3.构造模拟输入 张量 ===================#形状：[batch_size=1,channel=3,height=64,width=64]test_input=torch.randn(1,3,64,64)#=======================4.写入网络结构======================writer.add_graph(net,test_input)#=======================5.收尾关闭==========================writer.close()print('网络结构数据写入完成')

5.页面查看步骤

  1. 运行代码，生成日志文件；

  2. 终端启动TensorBoard；

  3. 浏览器页面点击左侧Graphs选项卡，查看完整网络拓扑结构。

六.关键规则

1.文件夹名称强匹配规则

  • 代码中：SummaryWriter("文件夹名")定义日志文件夹名称；

  • 终端中：tensorboard --logdir=文件夹名读取日志；

  • 硬性要求：两个名称必须一字不差，包括字母大小写、符号、空格，否则无法读取日志。

2.旧日志问题解决方案

  • 问题现象：多次运行代码， logs 内生成多个日志文件，TensorBoard 叠加所有历史数据，曲线错乱、出现 y=x 异常线条；

  • 解决方案：代码开头固定添加 os + shutil 逻辑，每次运行自动删除旧文件夹，从根源避免干扰。

3.端口占用问题

  • 默认端口：TensorBoard默认使用 6006 端口；

  • 问题现象：端口被其他程序占用，服务启动失败；

  • 解决命令（手动指定新端口）：tensorboard --logdir=logs --port=6007

  • 访问地址：[http://localhost:6007](http://localhost:6007)（端口号和命令保持一致）。

4.writer.close()必写规则

  • 日志数据会先存入内存缓存，不会实时写入本地；

  • 不执行close()：代码异常终止、程序退出后，缓存数据丢失，logs为空或文件损坏；

  • 执行时机：所有数据写入操作全部完成后，放在代码最后一行。

七.全套代码模板

1.基础通用模板（所有场景通用框架）

# 1. 统一导入库fromtorch.utils.tensorboardimportSummaryWriterimportosimportshutil# 2. 自动清理旧日志ifos.path.exists("logs"):shutil.rmtree("logs")# 3. 创建日志写入器writer=SummaryWriter("logs")# 4. 打印日志绝对路径（路径排查专用）log_path=os.path.abspath(writer.log_dir)print(f"日志绝对路径：{log_path}")# ========== 中间区域：根据需求选择对应方法 ==========# 记录标量：writer.add_scalar(标签, 数值, 步数)# 记录图片：writer.add_images(标签, 图片张量, 序号)# 记录网络：writer.add_graph(模型, 模拟输入张量)# ================================================# 5. 关闭写入器（结尾必写）writer.close()

2.终端启动命令汇总

  1. 相对路径（终端与 logs 同目录）

tensorboard --logdir=logs

  1. 绝对路径（路径异常/跨盘使用，替换为代码打印的真实路径）

tensorboard --logdir=D:\xxx\项目文件夹\logs

  1. 端口被占用，指定新端口

tensorboard --logdir=logs --port=6007

  1. 浏览器访问地址汇总

  • 默认端口：[http://localhost:6006](http://localhost:6006)

  • 自定义端口 6007：[http://localhost:6007](http://localhost:6007)

http://www.jsqmd.com/news/973129/

相关文章：

  • Sqribble深度解析：云原生文档出版流水线的架构与实践
  • 手搓Claude Code-第二章 tool_use
  • 台风天开空调安全吗？工程师拆解外机原理与真实风险
  • 2026年熬夜整理10款论文降AI工具红黑榜，避开知网退稿大坑 - 降AI实验室
  • 团队协作必看：用Git和IDEA彻底告别Windows/Mac混用导致的代码历史混乱
  • 应用安全 --- IDA FLIRT 原理
  • 告别玄学调参：手把手教你用MATLAB/Simulink搭建PMSM的EKF观测器（附模型下载）
  • Cityscapes不够用？试试5倍数据量的Mapillary Vistas：自动驾驶数据增强实战指南
  • 多维聚合后的数据变形术：从SQL GROUP BY到可编程数据立方体
  • 2026年6月南昌全屋定制品牌推荐：TOP5评测专业对比适用场景价格 - 品牌推荐
  • 用两个HC-05蓝牙模块，低成本搭建你的无线PID调参和遥控小车数据链路
  • Cocos Creator 2.3.3成语闯关游戏工程源码，含大厅/主玩法/完成页/加载页/断线重连
  • 别再死磕公式了！用Cartographer建图时，概率栅格更新的‘查表法’到底快在哪？
  • AI编码加速后，如何突破CI/CD与代码审查瓶颈
  • 实验5-2：浏览器市场分析-大屏静态布局制作
  • OpenMV IDE不只是调试工具：手把手教你用它批量生成Apriltag全家族图片
  • 笔记本频繁黑屏（nvlddmkm Event 14）NVIDIA nvlddmkm ID: 14 ID: 153 问题分析与解决
  • 2026年烟台CPPM报名费用资料怎么核对？众智商学院官网400冯老师课程班期 - 众智商学院官方
  • 2026年城市供水管网信息化改造全流程：从勘测设计到系统上线
  • 2026 安徽淮南市（全区域服务）彩钢瓦修缮公司 TOP4 权威推荐 + 避坑指南 - 本地便民网
  • 元知识库构建方案
  • 德令哈居民搬家实操指南：全国低价寄件大小件物流快递搬家分类寄送，告别偏远物流高价坑 - 时讯资讯
  • AI 边缘部署：模型量化推理的工程实践与性能调优
  • 一些思路（电表）
  • 从抓包到内核参数：手把手教你定位F5负载均衡后HTTP请求神秘RST的根因
  • 2026年石家庄搬家公司哪家好？5家专业服务推荐 - 本地品牌推荐
  • 一千条用户反馈要打标分类，我没人肉，让 Agent 批量跑完了
  • GCC版本升级踩坑实录：从‘unrecognized command line option’到成功编译的完整避坑指南
  • 如何选郑州黄金回收店？2026年6月推荐五家对比卖金安全评测价格选择指南 - 品牌推荐
  • 哪家南昌全屋定制品牌专业？2026年6月推荐TOP5评测对比适用场景特点 - 品牌推荐