当前位置：首页 > news >正文

PyTorch2 Python深度学习 - TensorBoard可视化工具

news 2025/10/29 10:55:43

锋哥原创的PyTorch2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1eqxNzXEYc

课程介绍

基于前面的机器学习Scikit-learn，深度学习Tensorflow2课程，我们继续讲解深度学习PyTorch2，所以有些机器学习，深度学习基本概念就不再重复讲解，大家务必学习好前面两个课程。本课程主要讲解基于PyTorch2的深度学习核心知识，主要讲解包括PyTorch2框架入门知识，环境搭建，张量，自动微分，数据加载与预处理，模型训练与优化，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

PyTorch2 Python深度学习 - TensorBoard可视化工具

TensorBoard是可视化工具包，Tensorflow2和PyTorch2都可以用，可以帮助开发者理解、调试和优化机器学习模型。下面详细介绍PyTorch2的使用方法，包含完整示例。

官方网站：

https://www.tensorflow.org/tensorboard?hl=zh-cn

1. TensorBoard核心功能

标量可视化 - 损失函数、准确率等指标
图表可视化 - 模型计算图
直方图 - 权重和偏置的分布
投影器 - 高维数据降维可视化
图像可视化 - 输入图像和生成图像
文本可视化 - 文本数据
超参数调优 - 超参数对模型性能的影响

首先我们来安装下TensorBoard库：

pip install tensorboard -i https://pypi.tuna.tsinghua.edu.cn/simple

前面一节的简单线性神经网络我们加下TensorBoard支持：

import torch
from torch import nn, optim
from torch.utils.tensorboard import SummaryWriter

# 创建SummaryWriter对象 指定日志目录
writer = SummaryWriter(log_dir='runs/simple_linear')

# 1，构造训练数据：y=2x+1
x = torch.linspace(-5, 5, 100).unsqueeze(1)  # 100的样本，维度[100,1]
print(x, x.shape)
y = 2 * x + 1 + torch.randn(x.size())  # 添加噪声

# 2，定义简单的线性模型
model = nn.Linear(1, 1)

# 3, 定义损失函数与优化器
criterion = nn.MSELoss()  # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 4，训练模型
epochs = 200
for epoch in range(epochs):y_pred = model(x)  # 前向传播loss = criterion(y_pred, y)  # 计算损失optimizer.zero_grad()  # 清空梯度loss.backward()  # 反向传播optimizer.step()  # 更新参数
print(f'epoch: {epoch}, loss: {loss.item()}')
# 记录模型参数for name, param in model.named_parameters():print('参数：', name, param)writer.add_histogram(name, param, epoch)
# 记录损失writer.add_scalar('loss', loss.item(), epoch)

# 记录模型结果 示例性的输入数据
dummy_input = torch.randn(x.size())
writer.add_graph(model, dummy_input)

# 训练结束后，关闭SummaryWriter对象
writer.close()

# 5，查看结果
[w, b] = model.parameters()
print(f'训练结果：w: {w}, b: {b}')

运行完后，我们在终端执行：