pytorch tensorboard基本用法整理

最新推荐文章于 2025-09-07 18:40:51 发布

原创

最新推荐文章于 2025-09-07 18:40:51 发布 · 631 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习

from torch.utils.tensorboard import SummaryWriter

if __name__ == '__main__':
    aa = SummaryWriter('logs') # 创建保存了summarywriter的log目录
    for i in range(100):
        aa.add_scalar

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Cy_coding

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

系统学习Pytorch笔记八：Tensorboard可视化与Hook机制

Miracle8070

04-27

3893

Pytorch官方英文文档：https://pytorch.org/docs/stable/torch.html? Pytorch中文文档：https://pytorch-cn.readthedocs.io/zh/latest/ 1. 写在前面疫情在家的这段时间，想系统的学习一遍Pytorch基础知识，因为我发现虽然直接Pytorch实战上手比较快，但是关于一些内部的原理知识其实并不是太懂，这样...

Pytorch 学习资源整理

m0_73802120的博客

05-22

1394

Pytorch是一个深度学习框架，相比于TensorFlow更适合于个人开发者进行小规模的训练与开发。

1 条评论您还未登录，请先登录后发表或查看评论

Pytorch中使用tensorboard学习笔记(1)

敲代码的小风

12-11

1053

参考链接: torch.utils.tensorboard 安装:pip install tensorboard 或者安装tensorflow,默认CPU版本即可:pip install tensorflow 运行:tensorboard --logdir=runs

TensorBoard入门——Pytorch中使用（附带案例演示）

最新发布

DDS_____的博客

09-07

1293

"Distributions" 显示的是分布的高位统计信息（如最大最小值、均值标准差）随时间的变化。是一个功能强大的可视化工具，它原本是为 TensorFlow 设计的，但现在已很好地集成到 PyTorch 中，帮助跟踪和可视化模型训练过程中的各种指标、模型结构、数据分布等。，它会自动识别所有子目录中的日志，并允许你在 TensorBoard 界面中切换显示不同的运行。记录模型的计算图可以帮助你可视化模型的结构，理解数据流的走向。代码在服务器中默认的目录是 /tmp 目录下自己的项目名称”，

PyTorch入门教学——TensorBoard使用

计算机硕士的博客

10-20

7156

PyTorch入门教学——TensorBoard使用。TensorBoard简介，TensorBoard安装，SummaryWriter类的使用，add_scalar()的使用，add_image()的使用。

PyTorch深度学习（2）Tensor-board

JYliangliang的博客

10-10

734

命令行记录： pip install tensorboard 安装tensorboard （x轴步长,y轴值） tensorboard --logdir=logs 事件文件所在文件夹名称 tensorboard --logdir=logs --port=6007 修改端口为6007 ...

tensorboard命令

小帽哥的博客

05-19

548

tensorboard --logdir=E:/py-pro/liu-runda-yolov3-train-master/train2/train/log_dir/ --host=127.0.0.1

PyTorch实现MNIST手写数字识别/LeNet/tensorboard绘制loss曲线

weixin_40756000的博客

02-08

4541

0 MNIST是什么？ MNIST数据集(Mixed National Institute of Standards and Technology database)是美国国家标准与技术研究院收集整理的大型手写数字数据库,包含60,000个示例的训练集以及10,000个示例的测试集 MNIST可以算是深度学习中的Hello World了，几乎每个初学者都会先从MNIST数据集入手，来训练自己的第一个基于CNN的分类器 1 环境搭建本文将使用PyTorch1.7来训练LeNet网络来对手写数字进行分类 i

【Pytorch】利用SSH查看远程服务器上的tensorboard可视化界面

NooahH的博客

11-17

1万+

现在有个使用场景，本人使用的本地环境是Win10+VSCode，模型训练是在一台Linux服务器上。我想在本地浏览器中直接访问远程服务器上tensorboard的监控界面，而不是通过TeamViewer或者向日葵等远程控制软件先连上服务器再在服务器上查看。关于如何在pytorch下使用tensorboard可以参照pytorch官网文档(本人使用的版本pytorch1.6.0，再只需安装上tensorboard包即可使用)。先注明下设备环境：本地PC机：Windows，编辑器VSCode 远程服务器

tensorboard使用命令

qq_46091002的博客

07-14

511

如果同时打开几个，会有端口冲突，可以使用下面的命名。注意：最后的一层是文件夹的名称。

使用tensorboard的命令

zycnice的博客

07-03

508

在pycharm命令行输入 tensorboard --logdir=ViTVNet_log --port=6007 --logdir后面是路径，在输出中打开网址

TensorBoard的命令和用法

weixin_40945354的博客

07-18

498

C:\Users\xxx>tensorboard --logdir=C:\Users\briani\DeepInf\gcn_ Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all TensorBoard 2.0.0 at http://localhost:6006/ (Press CTRL+C to quit)

tensorboard 常用指令

FADEAWAY114的博客

09-19

342

【代码】tensorboard 常用指令。

tensorboard命令行使用方法

qq_43757976的博客

07-09

514

tensorboard命令行

【学习笔记】【Pytorch】二、TensorBoard的使用

qq_45772756的博客

01-10

2002

一、**TensorBoard**的安装二、**SummaryWriter类**的使用 - add_scalar() 作用：常用来绘制**train/val loss**，观察训练过程中**loss**的变化，判断模型的好坏。 - add_image() 作用：常用来观察训练结果。

Tensorboard使用

weixin_45893089的博客

07-30

566

关于tensorboard的一些使用

tensorboard与pytorch1.10.1

03-14

<think>好的，我现在需要帮助用户了解如何在PyTorch 1.10.1中集成和使用TensorBoard进行可视化。首先，我要回顾用户提供的引用内容，确保信息准确。用户给出的引用包括安装tensorboardX、可能的错误解决方法，以及不同版本的兼容性问题。首先，根据引用[1]，用户提到在PyTorch 1.10的环境下，安装tensorflow和tensorboardX。不过引用[3]指出可能需要先卸载已有的tensorboardX、tb-nightly和tensorboard，然后安装特定版本的tensorboard。这里可能存在版本冲突的问题，需要注意。此外，引用[5]提到如果PyTorch版本较旧（0.4及以前），应该安装tensorboardX，但用户使用的是PyTorch 1.10.1，可能不需要tensorboardX，而是直接使用PyTorch内置的TensorBoard支持。根据PyTorch官方文档，从PyTorch 1.1.0开始，官方支持通过`torch.utils.tensorboard`模块使用TensorBoard，无需额外安装tensorboardX。用户可能混淆了旧教程中的方法，需要确认正确的安装步骤。然而，引用[2]提到当找不到SummaryWriter时，改用tensorboardX，并修改导入语句。这说明在某些情况下，可能需要回退到tensorboardX，特别是如果PyTorch版本或环境配置有问题时。接下来，我需要整理正确的步骤。首先，确保PyTorch 1.10.1已安装。然后，安装TensorBoard本身，可能需要通过pip安装`tensorboard`包，而无需tensorboardX，除非遇到问题。但根据引用[3]，可能需要安装特定版本的tensorboard以兼容，例如与TensorFlow版本对应。不过用户可能不需要安装TensorFlow，因为PyTorch独立于TensorFlow。因此，正确的步骤可能是： 1. 安装PyTorch 1.10.1（用户已安装）。 2. 安装tensorboard包：`pip install tensorboard`。 3. 在代码中导入`from torch.utils.tensorboard import SummaryWriter`。 4. 如果遇到导入错误，参考引用[2]和[3]，可能需要安装tensorboardX并修改导入语句。但根据官方推荐，应优先使用PyTorch内置的TensorBoard支持。因此，正确的步骤应首先尝试官方方法，如果遇到问题再考虑替代方案。可能的依赖问题如tensorboard版本过高或过低，需确保tensorboard>=1.7，如引用[3]所述。用户的问题可能集中在如何正确安装和导入，以及处理可能出现的错误。例如，如果安装tensorboard后，导入`SummaryWriter`失败，可能需要检查版本兼容性，或者回退到tensorboardX。此外，用户可能还需要了解如何启动TensorBoard服务器并查看日志。总结步骤： 1. 安装必要的包：`pip install tensorboard`。 2. 在代码中使用PyTorch的TensorBoard接口。 3. 处理可能的导入错误，可能需要安装tensorboardX并调整导入语句。 4. 启动TensorBoard并查看结果。需要验证这些步骤是否符合用户提供的引用内容，并注意潜在的版本冲突，确保指令的准确性。同时，用户可能在安装过程中遇到环境配置问题，如虚拟环境是否正确激活，依赖项是否冲突等，需要提及常见问题的解决方法，如卸载冲突包、指定版本安装等。</think>### 在PyTorch 1.10.1中使用TensorBoard的步骤 #### 1. **安装TensorBoard** PyTorch 1.10+已原生支持TensorBoard，无需额外安装`tensorboardX`，但需确保`tensorboard`包已安装： ```bash pip install tensorboard ``` 若环境中存在旧版本或冲突包（如`tensorboardX`），需先卸载： ```bash pip uninstall tensorboardX tensorboard tb-nightly ``` 再重新安装（建议指定版本以避免兼容问题，例如`pip install tensorboard==2.7.0`）[^3][^5]。 --- #### 2. **代码中集成TensorBoard** 导入PyTorch内置的`SummaryWriter`并记录数据： ```python from torch.utils.tensorboard import SummaryWriter # 初始化Writer writer = SummaryWriter(log_dir="runs/experiment_1") # 记录标量数据（如训练损失） for epoch in range(100): loss = 0.1 * (100 - epoch) # 模拟损失下降 writer.add_scalar("Loss/train", loss, epoch) # 记录模型结构（假设model已定义） model = ... # 你的模型 input_tensor = torch.rand(1, 3, 224, 224) # 输入示例 writer.add_graph(model, input_tensor) writer.close() # 关闭Writer ``` 若出现`ImportError`（如找不到`SummaryWriter`），可尝试回退到`tensorboardX`： ```python from tensorboardX import SummaryWriter # 替代方案[^2] ``` --- #### 3. **启动TensorBoard服务** 在终端运行以下命令，指定日志目录： ```bash tensorboard --logdir=runs/ --port=6006 ``` 浏览器访问`http://localhost:6006`即可查看可视化结果[^1]。 --- #### 4. **常见问题解决** - **版本冲突**：确保`tensorboard`版本与PyTorch兼容。若使用PyTorch 1.10.1，可尝试`pip install tensorboard==2.7.0`。 - **虚拟环境问题**：确认安装位置在PyTorch的同一虚拟环境中（通过`conda activate env_name`激活）[^4]。 - **TensorFlow依赖**：PyTorch的TensorBoard无需TensorFlow，仅依赖`tensorboard`包。 --- ###