大家好，我是锋哥。最近连载更新《PyTorch2 深度学习》技术专题。
本课程主要讲解基于PyTorch2的深度学习核心知识，主要讲解包括PyTorch2框架入门知识，环境搭建，张量，自动微分，数据加载与预处理，模型训练与优化，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。。 同时也配套视频教程 《PyTorch 2 Python深度学习 视频教程》
TensorBoard是可视化工具包，Tensorflow2和PyTorch2都可以用，可以帮助开发者理解、调试和优化机器学习模型。下面详细介绍PyTorch2的使用方法，包含完整示例。
官方网站：www.tensorflow.org/tensorboard…
1. TensorBoard核心功能
- 标量可视化 - 损失函数、准确率等指标
- 图表可视化 - 模型计算图
- 直方图 - 权重和偏置的分布
- 投影器 - 高维数据降维可视化
- 图像可视化 - 输入图像和生成图像
- 文本可视化 - 文本数据
- 超参数调优 - 超参数对模型性能的影响
首先我们来安装下TensorBoard库：
pip install tensorboard -i https://pypi.tuna.tsinghua.edu.cn/simple
前面一节的简单线性神经网络我们加下TensorBoard支持：
import torch
from torch import nn, optim
from torch.utils.tensorboard import SummaryWriter
# 创建SummaryWriter对象 指定日志目录
writer = SummaryWriter(log_dir='runs/simple_linear')
# 1，构造训练数据：y=2x+1
x = torch.linspace(-5, 5, 100).unsqueeze(1) # 100的样本，维度[100,1]
print(x, x.shape)
y = 2 * x + 1 + torch.randn(x.size()) # 添加噪声
# 2，定义简单的线性模型
model = nn.Linear(1, 1)
# 3, 定义损失函数与优化器
criterion = nn.MSELoss() # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 4，训练模型
epochs = 200
for epoch in range(epochs):
y_pred = model(x) # 前向传播
loss = criterion(y_pred, y) # 计算损失
optimizer.zero_grad() # 清空梯度
loss.backward() # 反向传播
optimizer.step() # 更新参数
print(f'epoch: {epoch}, loss: {loss.item()}')
# 记录模型参数
for name, param in model.named_parameters():
print('参数：', name, param)
writer.add_histogram(name, param, epoch)
# 记录损失
writer.add_scalar('loss', loss.item(), epoch)
# 记录模型结果 示例性的输入数据
dummy_input = torch.randn(x.size())
writer.add_graph(model, dummy_input)
# 训练结束后，关闭SummaryWriter对象
writer.close()
# 5，查看结果
[w, b] = model.parameters()
print(f'训练结果：w: {w}, b: {b}')
运行完后，我们在终端执行：
tensorboard --logdir=./runs --port=6006
然后浏览器运行 http://localhost:6006/
我们可以看到标量可视化，损失函数的变化曲线图
线性神经网络模型计算图：
包括模型参数（权重，偏置）根据步长的变化图：
