前不久Amusi推送了【重磅】GluonCV—基于MXNet的计算机视觉库，GluonCV是分布式机器学习社区（DMLC） 发布了基于MXNet的计算机视觉的深度学习工具箱，提供了一些顶级的算法实现与基本运算。
MXBoard github：https://github.com/awslabs/mxboard
刚不久，MXNet官方又发布了MXBoard，其给 MXNet 提供了一个在科研和生产环境中简单、易用、集中的可视化方案。让我们简单看一下亚马逊首席科学家李沐博士在知乎上如何介绍MXBoard的。
链接：https://zhuanlan.zhihu.com/p/36277324
Amusi这里就简单整理了一下如何安装MXNet、MXBoard、TensorFlow和TensorBoard，以及一个利用TensorBoard和MXBoard简单可视化数据的示例。
安装教程
安装MXNet
pip install mxnet-cu80 --pre # Amusi的环境是CUDA8.0
安装MXBoard
pip install mxboard
安装TensorBoard
pip install tensorflow-gpu==1.4 tensorboard
注：要想在浏览器中可视化数据，MXBoard还必须依赖于TensorBoard，因此还需要下载安装TensorFlow和TensorBoard（TensorFlow真的很NB）
测试TensorBoard
tensorboard --help
若成功安装，则会输出一堆tensorboard的指令提示信息，如下图所示：
测试：利用 MXBoard 来可视化 MXNet 数据
新建Python脚本文件，命名为MXBoard-Test.py
1import mxnet as mx
2from mxboard import SummaryWriter
3
4with SummaryWriter(logdir='./logs') as sw:
5 for i in range(10):
6 # create a normal distribution with fixed mean and decreasing std
7 data = mx.nd.normal(loc=0, scale=10.0/(i+1), shape=(10, 3, 8, 8))
8 sw.add_histogram(tag='norml_dist', values=data, bins=200, global_step=i)
运行该脚本文件，可在同路径下生成logs文件夹，如下图所示：
打开终端，切换到当前路径，并利用TensorBoard可视化
tensorboard --logdir=./logs --host=127.0.0.1 --port=8888
根据输出提示，将http://127.0.0.1:8888网址复制粘贴到Chrome浏览器中
点击HISTOGRAMS，即可以看到可视化结果