这是我参与8月更文挑战的第20天，活动详情查看：8月更文挑战
一 简介
Tensorboard原本是TensorFlow的可视化工具，其他深度学习计算框架也可使用TensorBoard工具进行可视化操作了。在PyTorch原生的可视化工具不够友好的情况下，更推荐使用TensorboardX来实现PyTorch的建模可视化。能够快速绘制模型基本结构、观察模型评估指标伴随训练过程的动态变化情况及观察图像数据，可以在torch.utils模块调用Tensorboard，但Tensorboard并不和PyTorch同步维护，要使用Tensorboard，需要单独安装。TensorBoard采用的是是本地开启服务、本地记录结果、Web读取结果的模式，和本地生成结果、在REPL环境中即时读取的模式有很大区别。
二 按照步骤
已经安装了TensorFlow的，在安装TensorFlow的过程中会自动安装Tensorboard，后续可以直接使用。当然，只安装了PyTorch的同学可根据以下步骤单独TensorboardX组件：
2.1 在jupyterLab中选择新建一个Luncher
2.2 然后选择新建一个Terminal
2.3 使用pip进行安装
2.4 测试是否安装成功
导入相关的包，若不报错，则证明安装成功
from torch.utils.tensorboard import SummaryWriter
三 Tensorboard的使用
真实生产环境中，大规模深度学习模型都是部署在服务器上运行的，无法像在本地IDE上一边输入数据一边绘图观测结果，只能将需要记录的关键结果记录下来并保存在某个文件里，然后再在本地或者服务器上开启某项服务读取该文件保存的信息。因此，整个过程会比在本地绘图稍微复杂，但确是真实生产环境中的主流操作。
writer = SummaryWriter(log_dir='test')
writer.log_dir #查看summary对象记录文件位置
在Terminal中输入
tensorboard --logdir="test"
进行服务的调用，打开端口TensorBoard 2.6.0 at http://localhost:6006/ (Press CTRL+C to quit) 进入端口打开浏览器，在地址栏输入localhost:6006即可进入到tensorboard展示页面。此前我们已经通过write记录了一组数据，可以看到展示效果。
- 如果默认6006端口冲突，也可自行修改服务端口号，只需在启动命令后后输入参数--port XXXX即可，
- 可对图形进行简单操作，最基本的，我们可以按住alt键，滚动鼠标滚轮对其进行缩放，以及通过鼠标左键对其进行拖拽
- Tensorboard只记录了一张折线图，但实际上add_scalar方法核心应用场景是用于记录模型运行过程中，随着迭代次数增加一些数值指标的变化情况，如loss值、准确率值等。无论如何，我们需要知道，Tensorboard的核心应用场景是深度学习建模过程的可视化展示。
