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
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
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）。