本文介绍了TensorBoard作为TensorFlow的可视化工具如何在PyTorch中集成使用。主要内容包括安装TensorBoard使用SummaryWriter记录标量数据、张量分布直方图、图像/文本/音频可视化等以及如何启动TensorBoard服务并查看可视化结果。通过这些步骤开发者可以更直观地监控和调试深度学习模型的训练过程提升模型开发效率。第 1 章简介TensorBoard 是 TensorFlow 提供的可视化工具用于监控和调试深度学习模型的训练过程。尽管它最初是为 TensorFlow 设计的但 PyTorch 通过 torch.utils.tensorboard 模块也能轻松集成 TensorBoard实现训练过程的可视化。其功能包括标量可视化如 loss、accuracy张量分布直方图如权重、梯度图像/文本/音频可视化高维数据降维投影如词嵌入第 2 章安装Tensorboard安装命令如下pip install tensorboard第 3 章基础使用3.1概述在 PyTorch 中使用 TensorBoard 的基本流程如下1使用 torch.utils.tensorboard.SummaryWriter 将数据写入日志文件。2启动 TensorBoard 服务让其监听指定日志目录。3使用浏览器访问 TensorBoard 页面查看可视化结果如标量曲线、直方图等。完整流程如下图所示3.2创建 SummaryWriterSummaryWriter由Pytorch提供用于将数据写入日志文件中。其创建语法为from torch.utils.tensorboard import SummaryWriter # 创建写入器指定日志保存目录 writerSummaryWriter(log_dir./logs)上述代码表示 创建一个名为 writer 的写入器对象 所有写入的数据都会保存在当前目录下的 logs/ 文件夹中 如果该目录不存在在写入数据时会自动创建3.3记录标量数据在深度学习中训练过程通常会产生一些 随时间变化的单个数值例如损失函数值loss这些数值被称为 标量scalar适合使用曲线图展示其随时间或迭代次数的变化趋势。TensorBoard 提供了专门的 Scalars 面板 来展示这些数值帮助我们判断模型是否正在学习训练是否稳定参数调整是否有效等。在 PyTorch 中可以使用 SummaryWriter.add_scalar() 方法记录标量数据具体语法为writer.add_scalar(tag, scalar_value, global_step)参数说明如下示例代码如下from torch.utils.tensorboard import SummaryWriter writerSummaryWriter(log_dir./logs/scalar_demo) for step in range(100): writer.add_scalar(scaler/yx, step, step) writer.add_scalar(scaler/yx^2, step**2, step) writer.close()3.4启动Tensorboard服务完成数据写入后可以通过以下命令启动 TensorBoard 服务tensorboard--logdir ./logs说明–logdir 参数指定日志文件所在的目录。TensorBoard 会递归遍历该目录下所有子文件夹加载其中的日志文件。每个子文件夹将作为一个标签run在网页界面中可以选择查看对应数据。启动成功后你将看到类似如下提示TensorFlowinstallation not found-running with reducedfeature set. ServingTensorBoardonlocalhost; toexposetothenetwork, useaproxy or pass--bind_all TensorBoard2.19.0at http://localhost:6006/ (PressCTRLCtoquit)访问上述地址http://localhost:6006/即可查看图像如下图所示如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】