TensorBoard的使用 小土堆pytorch记录
1.TensorBoard 简介
TensorBoard 是 TensorFlow 提供的可视化工具，PyTorch 通过
torch.utils.tensorboard模块支持主要功能：可视化训练过程、模型结构、图像数据等
2. SummaryWriter 核心功能
创建日志记录器：
SummaryWriter("logs")会在指定目录创建日志文件记录图像：
add_image()方法支持 numpy 数组格式的图像
必须指定正确的 dataformats（如 'HWC' 表示高度-宽度-通道）
记录标量：
add_scalar()方法用于记录损失、准确率等标量数据
参数：(标签名, y值, x值)
3. 图像处理流程
使用 PIL 的
Image.open()加载图像转换为 numpy 数组：
np.array(PIL_image)检查数组形状：(高度, 宽度, 通道数)
确保数据类型为
uint8（0-255范围）
4. 数据格式说明
图像数据格式：
'CHW'：通道-高度-宽度（PyTorch默认）
'HWC'：高度-宽度-通道（OpenCV/PIL默认）
标量数据格式：
通常用于记录训练指标随epoch/iteration的变化
5. 使用流程
创建 SummaryWriter 对象
在训练循环中使用 add_* 方法记录数据
训练完成后关闭 writer
在终端运行：
tensorboard --logdir=logs查看可视化结果
from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image# 1. 创建SummaryWriter对象，指定日志保存目录为"logs"
writer = SummaryWriter("logs")# 2. 图像数据记录示例
image_path = "dataset/train/bees/39747887_42df2855ee.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL) # 将PIL图像转为numpy数组# 打印图像数组的类型和形状
print(type(img_array))
print(img_array.shape) # 输出: (高度, 宽度, 通道数) 如(512, 768, 3) 图形RGB保存一般都是三通道# 将图像添加到TensorBoard
# 参数说明:
# "train" - 图像在TensorBoard中的标签名
# img_array - 图像数据(numpy数组)
# 1 - 全局步数(可用于区分不同训练阶段的图像)
# dataformats='HWC' - 指定数据格式为(Height, Width, Channels)
writer.add_image("train", img_array, 1, dataformats='HWC')# 3. 标量数据记录示例
# 记录y=2x函数的100个点
# y = 2x
for i in range(100):writer.add_scalar("y=2x", 2*i, i)# 4. 关闭SummaryWriter
writer.close()
启动命令
tensorboard --logdir=logs --port=6006
扩展应用
记录模型结构：
writer.add_graph(model, input_tensor)记录直方图：
writer.add_histogram("layer1/weights", model.layer1.weight, global_step)记录多组数据对比：
writer.add_scalars("loss", {"train":train_loss, "val":val_loss}, epoch)记录嵌入向量：
writer.add_embedding(features, metadata=labels, label_img=images)
通过TensorBoard的这些功能，可以全面监控和可视化深度学习模型的训练过程，更好地理解和优化模型。