TensorBoard安装与基本操作指南(PyTorch)

什么是TensorBoard？

• TensorBoard是TensorFlow生态系统中的一款强大的可视化工具，它可以帮助机器学习开发者和研究人员理解、调试和优化他们的模型。最初由Google Brain团队开发，TensorBoard已经成为深度学习领域最受欢迎的可视化工具之一。
• TensorBoard是TensorFlow的一个附件，可以记录训练过程的数字、图像等内容，方便研究人员观察神经网络训练过程。
• 目前，TensorBoard在TensorBoardX工具辅助下，可以和其他框架，如Pytorch，结合使用实现建模和训练的可视化。

• TensorBoardX是一个PyTorch生态中的工具库，它允许PyTorch用户像TensorFlow用户一样方便地使用TensorBoard进行可视化。

TensorBoard的主要功能包括：

• 可视化模型的计算图
• 跟踪和展示训练指标（如损失和准确率）
• 展示权重和偏差的直方图
• 显示图像、文本和音频数据样本
• 分析模型的计算性能

TensorBoardX与TensorBoard的依赖关系

• 当前最新版本的TensorBoardX仍然需要安装TensorBoard作为基础依赖才能正常使用。TensorBoardX本质上是对TensorBoard功能的封装扩展，它通过调用TensorBoard的核心功能来实现PyTorch的可视化支持。虽然部分基础功能可能不需要完整安装TensorFlow，但TensorBoard组件是必须安装的。

易混关系辨析

• 单独的TensorBoardX并不能进行可视化展示，TensorBoardX本质上是对TensorBoard功能的封装扩展，通过调用TensorBoard的核心功能来实现PyTorch的可视化支持。
• 所以，在Pytorch环境中安装TensorBoard，可以广义来说安装TensorBoardX或者安装TensorBoard。但更严格来说，是在Pytorch环境中安装TensorBoard。
• 读者在阅读文章，可以视TensorBoardx和TensorBoard为等价工具。执行命令和使用没有区别，代码写法可能稍有区别。

Pytorch安装TensorBoard并验证

1. TensorBoard安装和访问

1. 激活需要安装TensorBoardX的虚拟环境

conda activate env_name

2. 进入虚拟环境后，安装tensorboard，tensorboardX非必须

pip install tensorboard
# 可以不安装tensorboardX
pip install tensorboardX

3. 打开项目文件，导入相关的包，并在该目录下创建一个测试日志目录。如果执行成功，表明tensorboard安装成功

   • 使用PyTorch官方集成的TensorBoard支持（无需显式调用writer.close()）

   from torch.utils.tensorboard import SummaryWriter
   writer = SummaryWriter(log_dir = 'test')
   writer.log_dir
   for i in range(10):writer.add_scalar('mul', i*i, i)
   

   • 如果也安装了tensorboardX ，使用TensorBoardX进行操作(必须显示调用writer.close())

   from tensorboardX import SummaryWriter
   writer = SummaryWriter(log_dir = 'test')
   for i in range(10):writer.add_scalar('mul', i*i, i)
   writer.close()  # 确保关闭 writer    
   

4. 由于在虚拟环境中安装的tensorboard，所以想要启动也需要进入虚拟环境。操作方法是：在test目录所在文件夹下打开终端，然后在终端中激活python虚拟环境，然后使用tensorboard --logdir="xxx"命令运行TensorBoard。默认情况下，TensorBoard会在本地6006端口启动。你可以在浏览器中访问http://localhost:6006来查看可视化结果。
   

conda activate [env_name]

tensorboard --logdir="test"
或者
tensorboard --logdir=./test

• 完整执行代码如下：

D:\code\deeplearning_view_tools>conda activate pytorch_stu(pytorch_stu) D:\code\deeplearning_view_tools>tensorboard --logdir="test"
TensorFlow installation not found - running with reduced feature set.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.19.0 at http://localhost:6006/ (Press CTRL+C to quit)

5. 执行代码绘图结果如下：
   

2. TensorBoard主要界面介绍

• 启动TensorBoard后，主要包含选项卡：

1. Custom Scalars：显示训练过程中的标量指标（如损失、准确率等），支持自定义图表布局和多个指标的对比分析。
2. Images：显示训练过程中保存的图像数据，可用于可视化输入数据、特征图或模型生成的图像样本。
3. Audio：播放保存的音频数据，适用于语音处理或音频生成模型的调试和评估。
4. Debugger V2：调试器界面，提供实时变量监控、张量值和计算图检查功能，帮助诊断训练问题。
5. Graphs：可视化模型的计算图，展示各层之间的连接关系和数据流向，支持交互式探索模型架构。
6. Distributions：展示权重和偏差的分布变化，以折线图形式显示张量值随训练步骤的分布演变。
7. Histograms：以直方图形式展示权重和偏差的变化，直观呈现参数在不同训练阶段的数值分布。
8. Text：显示文本数据，可用于查看嵌入向量、自然语言处理模型的输入输出或日志信息。
9. Pr Curves（Precision-Recall Curves）：绘制精确率-召回率曲线，特别适用于分类模型的性能评估。
10. Profile： 性能分析工具，提供训练过程中的详细时间消耗和资源使用情况，帮助优化模型效率。
11. Hparams：超参数调优面板，支持比较不同超参数组合下的模型表现，辅助选择最佳配置。
12. Mesh：3D数据可视化工具，用于显示和交互式探索三维网格数据（如点云、3D物体等）。
13. What-if Tool：交互式模型探索工具，允许用户通过修改输入数据实时观察模型预测变化，支持公平性分析和反事实推理。
14. Projector：使用PCA或t-SNE进行高维数据的降维可视化，特别适用于嵌入向量(embeddings)的可视化分析。

实用技巧

1. TensorBoard不显示数据：确保log_dir路径正确；检查是否传入TensorBoard回调；确认训练确实运行。
2. 端口冲突：

   tensorboard --logdir=./logs --port 6007
   

3. 加载太慢：减少日志文件数量；关闭不需要的选项卡。