引言：

TensorBoard是由Google开发的一个可视化工具，旨在帮助用户理解和调试深度学习模型的训练过程。PyTorch提供了一个名为SummaryWriter的接口，用于将各种类型的数据写入TensorBoard中。在TensorBoard中，用户可以通过直观的图表和可视化界面来浏览、比较和分析训练过程中的指标、学习曲线和特征图等信息。

在TensorBoard中，常见的可视化内容包括训练/验证损失曲线、学习率曲线、精度曲线、直方图和散点图等。通过这些可视化工具，用户可以更好地理解模型训练过程中的变化和趋势，进而采取合适的策略来优化模型性能和训练速度。

本文用pycharm编译器

绘制趋势图

先上代码

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter('logs')#实例化一个writer对象，指定存储路径为‘logs’

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

writer.close()

这段代码使用了PyTorch中的可视化工具TensorBoard来记录模型训练过程中的信息。

首先，代码导入了PyTorch库中的SummaryWriter类。这个类提供了一个接口，用于将不同类型的数据写入TensorBoard中进行展示。

接下来，我们实例化了一个SummaryWriter对象，并将其储存在名为'logs'的文件夹中。此处的文件夹路径可以根据个人需求进行更改。

在for循环中，我们调用了writer对象的add_scalar函数来向TensorBoard中添加信息。其中，第一个参数代表添加信息的名称，第二个参数代表添加的数值，第三个参数代表该信息在训练中所处的步骤。

最后，我们调用了writer对象的close函数来关闭SummaryWriter对象。不要忘了close

其中

.add_scalar() 是 PyTorch 中 SummaryWriter 类提供的一个方法，用于将一个 scalar 值写入到 TensorBoard 中。其语法格式为：

writer.add_scalar(tag, scalar_value, global_step=None, walltime=None)

writer是我实例化的对象

参数含义如下：

tag （string）：要写入的值在图表上展示的名字；
scalar_value （float）：要写入的值，可以是损失、精度等指标；
global_step （int，可选）：表示当前参数值的全局步骤数，用于指定此时参数对应的模型训练的步骤；
walltime （float，可选）：表示当前参数记录时的时间戳。

通过 add_scalar() 方法，我们可以将训练过程中一些关键指标（如损失、精度、学习率等）的变化情况记录到 TensorBoard 中，从而实现更清晰、直观的训练过程监控和调试。在每个 epoch 结束时，我们可以使用该方法将当前训练的相关指标写入 TensorBoard，方便随时查看模型在训练过程中的表现。

结果展示

在代码运行结束后，你会发现在项目文件夹下多了一个文件

这就是你刚刚在实例化SummaryWriter时设置的文件路径

然后你可以在终端中输入tensorboard --logdir=文件名的方式进行读取文件

点击生成的链接就可以在浏览器中查看训练结果

可以切换服务器地址.默认是6006。如果要切换地址，需要多输入一个--port=命令。比如6007的话可以输入

tensorboard --logdir=logs --port=6007

其中logs要改成你自己的文件路径

补充说明：

可以write多个数据，用于进行对比分析，

举个例子，还是刚刚的代码，多添一行

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter('logs')#实例化一个writer对象，指定存储路径为‘logs’

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

writer.add_scalar("y = x",i,i)

结果：

实际操作中，我们不会绘制y = 2x这种图片，可能会用来比较算法损失值什么的，举个例子

# 记录 SGD 优化算法下的损失值
for i, loss in enumerate(train_losses_sgd):
    writer.add_scalar("train_loss/SGD", loss, global_step=i)

大家理解性使用。

绘制Image

此次用的数据可以从此下载

链接：https://pan.baidu.com/s/1hbwoweg4pt5xPyhQDBXOgw
提取码：w08t
--来自百度网盘超级会员V5的分享

代码实操与讲解

绘制步骤和之前绘制趋势图类似

首先实例化一个writer对象

writer = SummaryWriter('logs')#实例化一个writer对象，指定存储路径为‘logs’

接着读取你需要的图片，可以用PIL读取，也可以用opencv读取，这里说一下opencv读取

import cv2

img_path = 'data/train/ants_image/0013035.jpg'
img = cv2.imread(img_path)

0013035.jpg是我在数据文件中随便选取的一个图片

我们在python控制台中可以看到读取的图片类型是ndarray类型，而PIL读取的话不是这个类型的，我们需要用np.array()把他转换成ndarray类型才可以,而用opencv读取直接就是ndarray。为什么需要是这个类型呢，下面会说

绘制图片的方法是

writer.add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW') 方法用于将图像写入 TensorBoard。我们在pycharm中按住ctrl 点击一下他就能看源码

可以看到有这么多参数

简单解释一下，

tag 和之前绘制趋势图一样，就是定义一下你输出图片的名字，根据你的需要随便取一个名字就行

img_tensor就是你想要输出的图片，这里只接受ndarray类型的和张量类型的（就是numpy类型或pytorch类型），所以我前文用opencv读取就直接就是ndarray

global_step：记录的步数（整数类型）

walltime：记录的时间戳（浮点数类型），用于可视化时按时间排序。如果未指定，则使用当前时间；
dataformats：图像数据的格式（字符串类型），默认为 'CHW'。可以取值为 'CHW' 或 'HWC'

根据他的参数要求，我们需要对opencv打开的文件稍加处理

opencv打开的图片是以三通道BGR形式，而这边转换成RGB形式才行，不然颜色会反过来，B,G,R就是蓝绿红三个波段。这个我不多解释

我们用以下代码转换图片格式（写给不会opencv的人，会的自行跳过，opencv不会的可以看我以前的文章，都讲得很详细）

img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

于此同时，我们还要传入dataforms参数，这个参数代表和你传入图片的格式对应

他默认为"CHW"，C 表示通道数，H 表示高度，W 表示宽度；

但是opencv数据格式我们通过之前控制台可以发现是'HWC',所以我们这里要传入'HWC'

完整代码：

from torch.utils.tensorboard import SummaryWriter
import os
import cv2


img_path = 'data/train/ants_image/0013035.jpg'
img = cv2.imread(img_path)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
# print(img.shape)
writer.add_image('ants1',img,1,dataformats='HWC')
writer.close()

完事之后和之前绘制趋势图一样，会在logs(你实例化writer的时候指定的路径）里出现一个文件

在终端输入tensorboard --logdir=logs，然后点击生成的链接就行。

每次绘制都要重新输入这个命令，不然会有问题。

批量绘制

先看代码

from torch.utils.tensorboard import SummaryWriter
import os
import cv2

writer = SummaryWriter('logs')#实例化一个writer对象，指定存储路径为‘logs’

root_path = 'data/train/ants_image'
img_path = os.listdir(root_path) #列出文件夹下所有图片的名字

for i,img in enumerate(img_path):#i为枚举的索引，img为图片名
    path = os.path.join(root_path,img) #把文件夹路径和图片名拼起来就变成图片的完整路径
    print(path)
    if path[-4:] != '.jpg':#如果文件夹中有文件不是jpg形式的就跳过
        continue
    image = cv2.imread(path)
    image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    writer.add_image(f"ants{i}",image,i,dataformats='HWC')

writer.close()

逐行翻译

其中os.listdir()可以列出文件夹下的所有文件，以list格式存储

而

for i,img in enumerate(img_path)

这个是枚举遍历，这样的话可以同时遍历索引和内容。i就是遍历索引，img遍历之前list中所有图片的名字

path = os.path.join(root_path,img)

这个代码是把文件夹路径和img名拼起来，就是

'data/train/ants_image' 和'*******.jpg'拼起来变成完整图片路径

if path[-4:] != '.jpg':#如果文件夹中有文件不是jpg形式的就跳过
    continue

我们可以发现测试文件夹中有错误数据，通过if判断跳过

剩下的和之前一样

完事之后在终端中输入命令点击链接就可以看

大多数图片默认是隐藏状态，点击他们就能看

PyTorch中的可视化工具TensorBoard