TensorBoard入门指南：30秒快速上手

置顶

KENYCHEN奉孝

已于 2025-08-11 23:38:31 修改

阅读量516

点赞数 2

CC 4.0 BY-SA版权

分类专栏： Python实践 AI人工智能文章标签： tensorflow 深度学习人工智能

于 2020-05-20 11:47:44 首次发布

本文链接：https://blog.csdn.net/keny88888/article/details/106231608

本文介绍了机器学习工具TensorBoard，它可提供机器学习工作流所需的测量和可视化。文中以mnist为例，讲解了如何快速开始使用TensorBoard，包括建立模型、在model.fit中使用、页面展现、仪表板作用等内容，还说明了如何继续用仪表盘查看算法调动。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

如何快速开始使用TensorBoard

安装TensorBoard

确保已安装TensorFlow或PyTorch（两者均支持TensorBoard）。使用pip安装TensorBoard：

pip install tensorboard

若使用PyTorch，需额外安装torch.utils.tensorboard：

pip install torch-tb-profiler

集成到代码中

TensorFlow示例：

import tensorflow as tf
# 定义模型和日志目录
log_dir = "logs/fit"
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)
# 在model.fit中调用
model.fit(x_train, y_train, epochs=5, callbacks=[tensorboard_callback])

PyTorch示例：

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter("runs/experiment_1")
# 记录标量数据（如损失）
writer.add_scalar("Loss/train", loss.item(), epoch)
writer.close()

启动TensorBoard

在终端运行以下命令，指定日志目录：

tensorboard --logdir=logs/fit  # TensorFlow示例路径
# 或
tensorboard --logdir=runs      # PyTorch示例路径

默认访问地址为 http://localhost:6006。

查看可视化数据

标量图表：监控损失、准确率等指标。
计算图：展示模型结构（需在代码中显式保存）。
直方图：显示权重/梯度分布（需设置histogram_freq）。
投影器：可视化高维数据（如嵌入向量）。

高级功能

超参数调优：使用hparams插件记录超参数组合。
性能分析：PyTorch需配合torch.profiler生成性能报告。
自定义仪表盘：通过标签分组指标，筛选关键结果。

注意：若无法访问6006端口，可通过--port参数修改（如--port 6007）。

使用mnist的例子进行TensorBoard例子

建立模型

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

def create_model():
  return tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
  ])

项目的目录需要建立一个logs/fit目录，手工建立即可。model训练时候，会有回调callBacks=[tensortboard_callback]将日志按照时间搓的写入到文件夹中的文件中。

model = create_model()
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)

model.fit(x=x_train, 
          y=y_train, 
          epochs=5, 
          validation_data=(x_test, y_test), 
          callbacks=[tensorboard_callback])