pytorch训练可视化工具---TensorBoard

一、目的：为什么使用 TensorBoard 调控模型

使用 TensorBoard 可以帮我们：

实时查看 loss / acc 曲线 → 判断是否过拟合、欠拟合；
对比不同模型或超参数的效果；
可视化模型结构 → 帮助调试模型设计；
查看权重/梯度分布 → 分析训练稳定性；
可视化预测结果、特征图、embedding → 提升模型可解释性；
管理实验结果、超参数组合。

二、训练中可视化调控的功能详解（附代码）

1. 可视化 loss / accuracy 曲线

python 复制代码

writer.add_scalar("Loss/train", train_loss, epoch)
writer.add_scalar("Loss/val", val_loss, epoch)
writer.add_scalar("Acc/train", train_acc, epoch)
writer.add_scalar("Acc/val", val_acc, epoch)

用途：

判断训练过程是否收敛；
验证集 loss 高于训练集 → 可能过拟合；
loss 一直不下降 → 学习率可能过高或模型设计问题。

2. 可视化模型结构

python 复制代码

from torch.utils.tensorboard import SummaryWriter

model = MyModel()
dummy_input = torch.randn(1, 3, 224, 224)
writer.add_graph(model, dummy_input)

用途：

检查模型结构是否正确；
直观看到各层连接顺序。

3. 可视化权重分布（Histogram）

python 复制代码

for name, param in model.named_parameters():
    writer.add_histogram(name, param, epoch)

用途：

观察参数值分布是否爆炸或消失；
梯度消失或爆炸时通常 histogram 变化异常。

4. 可视化预测图像、标签、特征图

python 复制代码

import torchvision.utils as vutils

# 展示输入图像和预测结果
writer.add_images("Input/Image", input_tensor, epoch)
writer.add_images("Predict/Output", output_tensor, epoch)
writer.add_images("GroundTruth/Label", label_tensor, epoch)

用途：

视觉任务（如分割、分类）中快速检查模型预测是否合理。

5. 可视化 Embedding（高维向量降维）

python 复制代码

# features: [N, D], labels: [N], images: [N, C, H, W]
writer.add_embedding(features, metadata=labels, label_img=images, global_step=epoch)

用途：

检查不同类别是否在特征空间中聚类良好；
Embedding 层是否学习到有效的表示。

6. 超参数记录与对比（add_hparams）

python 复制代码

writer.add_hparams(
    {'lr': 0.001, 'batch_size': 32},
    {'hparam/accuracy': acc, 'hparam/loss': loss}
)

用途：

对比不同超参数下的模型效果；
自动生成汇总表格。

7. 可视化学习率变化（学习率调度）

python 复制代码

lr = optimizer.param_groups[0]['lr']
writer.add_scalar("LR", lr, epoch)

用途：

学习率调度策略是否生效；
与 loss 的变化相互印证。

三、训练中综合应用示例（完整代码框架）

python 复制代码

from torch.utils.tensorboard import SummaryWriter
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms

# 准备
writer = SummaryWriter(log_dir='runs/exp1')
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 数据
transform = transforms.ToTensor()
train_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('.', train=True, download=True, transform=transform),
    batch_size=64, shuffle=True)

# 模型
model = nn.Sequential(
    nn.Flatten(),
    nn.Linear(28*28, 128),
    nn.ReLU(),
    nn.Linear(128, 10)
).to(device)

# 损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 添加模型结构
writer.add_graph(model, torch.randn(1, 1, 28, 28).to(device))

# 训练
for epoch in range(5):
    total_loss = 0
    correct = 0

    for images, labels in train_loader:
        images, labels = images.to(device), labels.to(device)

        outputs = model(images)
        loss = criterion(outputs, labels)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_loss += loss.item()
        _, predicted = outputs.max(1)
        correct += predicted.eq(labels).sum().item()

    avg_loss = total_loss / len(train_loader)
    accuracy = correct / len(train_loader.dataset)

    writer.add_scalar("Loss/train", avg_loss, epoch)
    writer.add_scalar("Acc/train", accuracy, epoch)
    writer.add_scalar("LR", optimizer.param_groups[0]['lr'], epoch)

    # 权重分布
    for name, param in model.named_parameters():
        writer.add_histogram(name, param, epoch)

    # 可视化输入图像
    img_grid = torchvision.utils.make_grid(images[:16].cpu())
    writer.add_image("Sample Inputs", img_grid, epoch)

writer.close()

四、进阶建议

功能	说明
多实验对比	使用 `SummaryWriter(log_dir=f"runs/lr_{lr}_bs_{bs}")` 多次训练
与 wandb 联动	用 wandb 替代 TensorBoard，支持自动超参搜索
TensorBoard.dev	上传训练记录到云端，便于展示或记录

五、总结表格（常用 API）

功能	API
标量值（loss）	`add_scalar(tag, value, step)`
图像	`add_image(tag, image_tensor, step)`
多图像	`add_images(tag, batch_tensor, step)`
模型结构	`add_graph(model, input_tensor)`
参数直方图	`add_histogram(tag, values, step)`
超参对比	`add_hparams(dict, metrics)`
Embedding	`add_embedding(features, labels, images)`