一、前置知识

1.Tensorboard是什么

TensorBoard 是 TensorFlow 的可视化工具，它允许开发者可视化模型的图（graph）、指标（metrics）、参数分布等多种数据。TensorBoard 通过读取 TensorFlow 程序运行过程中输出的日志文件来工作，这些日志文件包含了关于模型训练、评估的详细信息。使用 TensorBoard，开发者可以更直观地理解、调试和优化他们的 TensorFlow 程序。

TensorBoard 的主要功能包括：
**图可视化：**展示 TensorFlow 计算图的结构，帮助开发者理解模型的构建。
**指标跟踪：**如损失和准确率等，在训练过程中动态地展示这些指标的变化，便于监控模型的训练进度。
**参数分布：**显示模型参数（如权重和偏置）随时间的变化情况，有助于分析模型的学习过程。
**嵌入向量：**可视化高维数据的低维表示，常用于理解词嵌入和其他类型的嵌入。
**图像和文本展示：**如果模型处理的是图像或文本数据，TensorBoard 可以直接在界面上展示这些数据及其对应的模型输出，方便进行结果分析。

2.SummaryWriter

在 PyTorch 中，使用 SummaryWriter 类来记录日志信息，以便通过 TensorBoard 进行可视化。
当创建一个 SummaryWriter 实例并指定一个目录（例如 “logs”）时，它会将所有的日志数据保存到这个目录下。这些数据包括训练过程中的损失、准确率、模型参数分布、图像、模型计算图等。

使用步骤：

#（1）导入必要的库
import torch
from torch.utils.tensorboard import SummaryWriter
#（2）创建实例
writer = SummaryWriter("logs")
#这行代码创建一个 SummaryWriter 对象，所有通过这个对象记录的日志都会被保存到当前工作目录下的 "logs" 文件夹中。如果 "logs" 文件夹不存在，它会被自动创建。
#（3）记录数据
#   .....
#（4）查看TensorBoard
tensorboard --logdir=logs
#（5）关闭SummaryWriter
writer.close()

3.add_scalar()

可参考博客：
add_scalar与add_image

add_scalar() 是 PyTorch TensorBoard 的 SummaryWriter 类中的一个方法，用于记录标量数据（如损失值、准确率等）随时间的变化。

函数原型:
add_scalar(tag, scalar_value, global_step=None, walltime=None)
tag (string): 数据的标识符，用于 TensorBoard 中的显示。
scalar_value (float or string/blobname): 要记录的标量值。
global_step (int, optional): 记录标量的全局步数，通常用于表示训练过程中的时间点。提供此参数可以帮助 TensorBoard 绘制标量随时间（或训练步骤）的变化图。
walltime (float, optional): 数据点的实际时间戳，默认为 time.time() 的值。通常不需要手动设置。

个人理解：
add_scalar(标签，y轴数据，x轴数据)

4.add_image()

可参考博客：
add_scalar与add_image

add_image() 是 PyTorch TensorBoard 的 SummaryWriter 类中的一个方法，用于记录和可视化图像数据。

函数原型：
add_image(tag, img_tensor, global_step=None, walltime=None, dataformats=‘CHW’)
tag (string): 图像的标识符，用于 TensorBoard 中的显示。
img_tensor (Tensor): 要记录的图像数据。这个张量应该是 3D (C x H x W) 或者 4D (N x C x H x W)，其中 N 是图像数量，C 是通道数（例如，对于彩色图像通常是 3），H 是图像高度，W 是图像宽度。
global_step (int, optional): 记录图像的全局步数，通常用于表示训练过程中的时间点。
walltime (float, optional): 数据点的实际时间戳，默认为 time.time() 的值。通常不需要手动设置。
dataformats (string): 指定图像数据的维度排列方式。默认为 ‘CHW’，但也可以是 ‘NCHW’、‘NHWC’ 等。

个人理解：
add_image(标签，图像数据，第几步，图像维度排列方式)

二、代码

1.一次函数

from torch.utils.tensorboard import SummaryWriterwriter=SummaryWriter("logs")
#y=x
#for i in range(100):#writer.add_scalar("y=x",i,i)#y=3x
for i in range(100):writer.add_scalar("y=3x",3*i,i)writer.close()

结果：

2.蚂蚁和蜜蜂图片

from torch.utils.tensorboard import SummaryWriter
from PIL import Image
import numpy as np#创建一个 SummaryWriter 对象
#所有通过这个对象记录的日志都会被保存到当前工作目录下的 "logs" 文件夹中
writer=SummaryWriter("logs")#蚂蚁的图片，作为step1
image_path1="data/train/ants_image/0013035.jpg"
#使用Pillow打开图片
image_PIL1=Image.open(image_path1)
#将PIL图像对象转换为NumPy数组
#如果图像是彩色的，转换后的 NumPy 数组将具有三个维度（高度、宽度、颜色通道），通道顺序通常为 RGB。
#如果图像是灰度的，则数组将只有两个维度（高度、宽度）
image_array1=np.array(image_PIL1)#蜜蜂的图片，作为step2
image_path2="data/train/bees_image/16838648_415acd9e3f.jpg"
image_PIL2=Image.open(image_path2)
image_array2=np.array(image_PIL2)writer.add_image("test",image_array1,1,dataformats='HWC')
writer.add_image("test",image_array2,2,dataformats='HWC')writer.close()

结果：

或者也可以这么写：

from torch.utils.tensorboard import SummaryWriter
from PIL import Image
import torchwriter = SummaryWriter("logs")image_path1 = "data/train/ants_image/0013035.jpg"
image_PIL1 = Image.open(image_path1)
#转换为PyTorch张量并调整通道顺序
image_array1 = torch.tensor(np.array(image_PIL1)).permute(2, 0, 1)  image_path2 = "data/train/bees_image/16838648_415acd9e3f.jpg"
image_PIL2 = Image.open(image_path2)
# 转换为PyTorch张量并调整通道顺序
image_array2 = torch.tensor(np.array(image_PIL2)).permute(2, 0, 1)  writer.add_image("test", image_array1, 1)
writer.add_image("test", image_array2, 2)writer.close()