使用环境：win10 ，在jupyter notebook下运行 谷歌浏览器
1、环境安装
使用conda 安装，打开anacond powershell，输入pip install tensorboard ，然后安装pip install tensorflow
2、使用操作
在终端或者环境命令行下，打开程序所在目录，使用shift+右键进入cmd，输入jupyter notebook，进入环境，打开程序。
（1）在程序开头加入 from tensorboardX import SummaryWriter，
（2）writer = SummaryWriter('runs/exp1')，runs/exp1表示相关信息存储位置，可自行定义。然后调用相关函数即可。例如想知道训练次数epoch与损失函数之间的关系，调用writer.add_scalar('Train Loss', train_loss / len(train_data), global_step=epoch) 。然后运行一次函数，等待程序运行完毕。
（3）打开runs文件夹的上一级目录，然后使用shift+右键进入cmd，输入tensorboard --logdir=runs ,随后弹出如下
复制网址，然后打开（据说只能使用谷歌浏览器，未经验证）。有可能出现如下提示，打开exp1文件夹，如果文件大小为0，则表示数据未成功写入，重新运行程序即可。或者重新操作第三步
如果进入如下类似页面，则表示成功
指令集补充
（1）add_scalar(tag, scalar_value, global_step=None, walltime=None)
功能：
在一个图表中记录一个标量的变化，常用于 Loss 和 Accuracy 曲线的记录。
参数：
tag(string)- 该图的标签，类似于 polt.title。
scalar_value(float or string/blobname)- 用于存储的值，曲线图的 y 坐标
global_step(int)- 曲线图的 x 坐标
walltime(float)- 为 event 文件的文件名设置时间，默认为 time.time()
（2）add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)
功能：
在一个图表中记录多个标量的变化，常用于对比，如 trainLoss 和 validLoss 的比较
等。
参数：
main_tag(string)- 该图的标签。
tag_scalar_dict(dict)- key 是变量的 tag， value 是变量的值。
global_step(int)- 曲线图的 x 坐标
walltime(float)- 为 event 文件的文件名设置时间，默认为 time.time()
（3）add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None)
功能：
绘制直方图和多分位数折线图，常用于监测权值及梯度的分布变化情况，便于诊断网
络更新方向是否正确。
参数：
tag(string)- 该图的标签，类似于 polt.title。
values(torch.Tensor, numpy.array or string/blobname)- 用于绘制直方图的值
global_step(int)- 曲线图的 y 坐标
bins(string)- 决定如何取 bins，默认为‘tensorflow’ ，可选： ’auto’, ‘fd’ 等
walltime(float)- 为 event 文件的文件名设置时间，默认为 time.time()
（4）add_image(tag, img_tensor, global_step=None, walltime=None)
功能：
绘制图片，可用于检查模型的输入，监测 feature map 的变化，或是观察 weight。
参数：
tag(string)- 该图的标签，类似于 polt.title。
img_tensor(torch.Tensor,numpy.array, or string/blobname)- 需要可视化的图片数
据， shape = [C,H,W]。
global_step(int)- x 坐标。
walltime(float)- 为 event 文件的文件名设置时间，默认为 time.time()。
通常会借助 torchvision.utils.make_grid() 将一组图片绘制到一个窗口
（5）torchvision.utils.make_grid(tensor, nrow=8, padding=2, normalize=False, ra
nge=None, scale_each=False, pad_value=0)
功能：
将一组图片拼接成一张图片，便于可视化。
参数：
tensor(Tensor or list)- 需可视化的数据， shape:(B x C x H x W) ,B 表示 batch 数，即
几张图片
nrow(int)- 一行显示几张图，默认值为 8。
padding(int)- 每张图片之间的间隔，默认值为 2。
normalize(bool)- 是否进行归一化至(0,1)。
range(tuple)- 设置归一化的 min 和 max，若不设置，默认从 tensor 中找 min 和 max。
scale_each(bool)- 每张图片是否单独进行归一化，还是 min 和 max 的一个选择。
pad_value(float)- 填充部分的像素值，默认为 0，即黑色。
（6）add_graph(model, input_to_model=None, verbose=False, **kwargs)
功能：
绘制网络结构拓扑图。
参数：
model(torch.nn.Module)- 模型实例
inpjt_to_model(torch.autograd.Variable)- 模型的输入数据，可以生成一个随机数，只
要 shape 符合要求即可
运行以下代码：
import torchvision.models as models
resnet18 = models.resnet18(False)
dummy_input = torch.rand(6, 3, 224, 224)
writer.add_graph(resnet18, dummy_input)
可在 GRAPHS 中看到 Resnet18 的网络拓扑
（7）add_embedding(mat, metadata=None, label_img=None, global_step=None, tag='de
fault', metadata_header=None)
功能：
在三维空间或二维空间展示数据分布，可选 T-SNE、 PCA 和 CUSTOM 方法。
参数
mat(torch.Tensor or numpy.array)- 需要绘制的数据，一个样本必须是一个向量形式。
shape = (N,D)， N 是样本数， D 是特征维数。
metadata(list)- 数据的标签，是一个 list，长度为 N。
label_img(torch.Tensor)- 空间中展示的图片， shape = (N,C,H,W)。
global_step(int)- Global step value to record，不理解这里有何用处呢？知道的朋友补
充一下吧。
tag(string)- 标签
（8）add_text(tag, text_string, global_step=None, walltime=None)
功能： 记录文字
（9）add_video(tag, vid_tensor, global_step=None, fps=4, walltime=None)
功能： 记录 video
（10）add_figure(tag, figure, global_step=None, close=True, walltime=None)
功能： 添加 matplotlib 图片到图像中
（11）add_image_with_boxes(tag, img_tensor, box_tensor, global_step=None, walltime
=None, **kwargs)
功能： 图像中绘制 Box，目标检测中会用到
（12）add_pr_curve(tag, labels, predictions, global_step=None, num_thresholds=127, w
eights=None, walltime=None)
功能： 绘制 PR 曲线
（13）add_pr_curve_raw(tag, true_positive_counts, false_positive_counts, true_negati
ve_counts, false_negative_counts, precision, recall, global_step=None, num_thres
holds=127, weights=None, walltime=None)
功能： 从原始数据上绘制 PR 曲线
（14）export_scalars_to_json(path)
功能： 将 scalars 信息保存到 json 文件，便于后期使用