一、目的：为什么使用 TensorBoard 调控模型

使用 TensorBoard 可以帮我们：

1. 实时查看 loss / acc 曲线 → 判断是否过拟合、欠拟合；

2. 对比不同模型或超参数的效果；

3. 可视化模型结构 → 帮助调试模型设计；

4. 查看权重/梯度分布 → 分析训练稳定性；

5. 可视化预测结果、特征图、embedding → 提升模型可解释性；

6. 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

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

from torch.utils.tensorboard import SummaryWritermodel = 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）

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

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）

# 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）

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）

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）

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 = 0correct = 0for 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)