TensorBoard

1、TensorFlow的TensorBoard

TensorBoard是TensorFlow的一个组件，它提供了一个交互式的界面，用于可视化TensorFlow程序的训练过程和模型结构。

使用TensorBoard，你可以：

• 可视化训练过程中的各种指标，如损失函数、准确率等。
• 可视化模型的结构，包括计算图和权重分布。
• 可视化其他类型的数据，如图像、音频、文本等。

以下是一个简单的示例，展示如何在TensorFlow程序中使用TensorBoard：

import tensorflow as tf# 创建一个简单的模型
model = tf.keras.Sequential([tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),tf.keras.layers.Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])# 创建一个 TensorBoard 回调
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='./logs')# 训练模型
model.fit(x_train, y_train, epochs=5, callbacks=[tensorboard_callback])

在这个示例中，我们创建了一个简单的神经网络模型，并使用tf.keras.callbacks.TensorBoard创建了一个TensorBoard回调。在训练模型时，我们将这个回调传递给model.fit方法，这样训练过程中的各种指标就会被记录到logs目录中，并可以在TensorBoard中可视化。

总的来说，TensorBoard是TensorFlow的一个重要工具，它可以帮助开发者更好地理解、调试和优化 TensorFlow 程序。

2、PyTorch的tensorboardX

tensorboardX是一个独立的Python包，它提供了与TensorFlow的TensorBoard类似的功能，但它是为PyTorch而设计的。tensorboardX可以记录和可视化PyTorch程序的训练过程和模型结构。

以下是一个简单的示例，展示如何在PyTorch程序中使用tensorboardX：

（1）先在VSCode中，按住Ctrl+Shift+P打开命令面板，输入TensorBoard，使用当前目录打开TensorBoard；

（2）按照下列代码格式添加相应内容：

from tensorboardX import SummaryWriter
import torch# 创建一个 SummaryWriter 实例
writer = SummaryWriter('logs/my_experiment')# 训练循环
num_epochs = 10
for epoch in range(num_epochs):# 训练代码loss = torch.randn(1).item()accuracy = torch.randn(1).item()# 记录损失和准确率writer.add_scalar('Loss/train', loss, epoch)writer.add_scalar('Accuracy/train', accuracy, epoch)# 关闭 SummaryWriter
writer.close()

在这个示例中，我们创建了一个SummaryWriter实例，并使用它记录了训练过程中的损失和准确率。然后，我们可以在命令行中启动TensorBoard来查看训练的可视化结果：

tensorboard --logdir=logs

进入TensorBoard界面后可以在右上角刷新一下，左边可以进行一些设置。