深度学习日志及可视化过程

一、什么是 TensorBoard？

TensorBoard 是一组用于数据可视化的工具。它包含在流行的开源机器学习库 Tensorflow 中。TensorBoard 的主要功能包括：

可视化模型的网络架构

跟踪模型指标，如损失和准确性等

检查机器学习工作流程中权重、偏差和其他组件的直方图

显示非表格数据，包括图像、文本和音频

将高维嵌入投影到低维空

二、什么是 wandb？（需要用到外网，也有offline离线模式）

wandb的核心功能就是跟踪训练过程，展示训练流程以供我们观察展示和分析

三、总结wandb和tensorboard

1. 核心功能对比

特性	WandB	TensorBoard
开发方	Weights & Biases 公司	Google (TensorFlow 生态)
主要用途	实验跟踪、协作、模型管理	训练过程可视化（TensorFlow 优先）
实时更新	✅ 支持	❌ 需手动刷新
协作功能	✅ 多用户共享、评论、报告生成	❌ 仅本地或自行搭建服务共享
数据存储	☁️ 云端（可离线导出）	💻 本地文件（需自行管理）
框架支持	PyTorch、TF、JAX 等（框架无关）	TensorFlow（原生）、PyTorch（插件）
超参数记录	✅ 自动记录	✅ 需手动配置
模型版本控制	✅ 集成（可保存模型快照）	❌ 需结合 Git 或其他工具

2. 使用场景推荐

选择 WandB 如果：
- 需要团队协作或远程查看实验结果。
- 希望自动记录超参数、代码版本、系统指标（如GPU温度）。
- 需生成精美的共享报告（如论文复现、项目交付）。
选择 TensorBoard 如果：
- 纯本地开发，无需云端功能。
- 深度依赖 TensorFlow 生态（如 TF Serving 集成）。
- 对隐私要求极高（数据完全离线）。

3. 代码示例对比

WandB 基础用法

复制代码

import wandb

# 初始化项目
wandb.init(project="my-project", config={"lr": 0.01})

# 记录指标
for epoch in range(100):
    loss = train_step()
    wandb.log({"loss": loss})  # 自动同步到云端

# 保存模型
wandb.save("model.h5")

TensorBoard 基础用法

复制代码

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs/")  # 本地存储

for epoch in range(100):
    loss = train_step()
    writer.add_scalar("loss", loss, epoch)  # 写入本地文件

writer.close()
# 启动服务：tensorboard --logdir=logs/

4. 优缺点总结

工具	优点	缺点
WandB	- 开箱即用的协作功能 - 丰富的仪表盘和报告 - 自动环境捕获	- 免费版有限制（团队人数、存储） - 需联网（可离线模式）
TensorBoard	- 完全免费和离线 - 与 TensorFlow 深度集成 - 可扩展性强	- 协作功能弱 - 界面较老旧

5. 如何选择？

科研/团队项目 → WandB（提升协作效率）。
工业部署/TensorFlow 项目 → TensorBoard（稳定性优先）。
轻量级实验 → TensorBoard（避免依赖）。