TensorBoard的使用

• 探究模型在不同阶段是如何输出的

简介

开发和训练深度学习模型时，你常常会遇到以下挑战：

• 训练过程不透明： 模型在“黑箱”中训练，你不知道内部发生了什么（损失下降了吗？过拟合了吗？梯度爆炸了吗？）。
• 调试困难： 当模型表现不如预期时，很难定位问题根源（是数据问题、模型架构问题、超参数问题还是代码bug？）。
• 超参数调整耗时： 手动尝试不同的学习率、批次大小、网络层数等参数并比较结果非常低效。

• 理解模型行为： 模型学到了什么？它关注输入数据的哪些部分？决策依据是什么？
• 比较模型： 当你有多个模型变体或实验时，直观地比较它们的性能很困难。

TensorBoard 就是为了解决这些问题而生的。 它通过将模型训练过程中的各种指标、数据和结构可视化，为开发者提供了一个直观的“仪表盘”，让训练过程变得透明、可解释、可调试和可优化。

使用

安装：pip install tensorboard

运行（不指定 port 的话默认 6006 端口）

tensorboard --logdir=logs --port=6007

实例
 

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image


writer = SummaryWriter("logs")
image_path = "dataset/train/ants_image/0013035.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)
print(type(img_array))
print(img_array.shape)



writer.add_image("test",img_array,1,dataformats="HWC")

for i in range(100):
    writer.add_scalar("y=2x",3*i,i)

writer.close()