关于Tensorboard的基本使用方法可以参考：Pytorch 配置 Tensorboard 可视化学习(一)

对于一个基本模型：

import torch
import torch.nn as nn


class LinearRegressionModel(nn.Module):
    def __init__(self, input_shape, output_shape):
        super(LinearRegressionModel, self).__init__()
        self.linear = nn.Linear(input_shape, output_shape)

    def forward(self, x):
        out = self.linear(x)
        return out


def train_model():
    x_train = torch.randn(100, 4)  # 生成100个4维的随机数，作为训练集的 X
    y_train = torch.randn(100, 1)  # 作为训练集的label

    model = LinearRegressionModel(x_train.shape[1], 1)
    epochs = 100  # 迭代1000次
    learning_rate = 0.01  # 学习率
    optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  # 优化函数
    criterion = nn.MSELoss()  # Loss使用MSE值，目标是使MSE最小

    for epoch in range(epochs):
        epoch += 1
        optimizer.zero_grad()
        outputs = model(x_train)
        loss = criterion(outputs, y_train)
        loss.backward()
        optimizer.step()
    # 预测
    model.eval()
    predicted = model(torch.randn(100, 4)).data.numpy()
    print(predicted)


if __name__ == '__main__':
    train_model()

改写代码，添加绘图代码，包括三步:

1. 导包：from torch.utils.tensorboard import SummaryWriter
2. 定义writer：writer = SummaryWriter()
3. 写入数据：writer.add_scalar("图像名称",y值, x值)
4. 关闭并写入：writer.close()

import torch
import torch.nn as nn


class LinearRegressionModel(nn.Module):
    def __init__(self, input_shape, output_shape):
        super(LinearRegressionModel, self).__init__()
        self.linear = nn.Linear(input_shape, output_shape)

    def forward(self, x):
        out = self.linear(x)
        return out


def train_model():
    x_train = torch.randn(100, 4)  # 生成100个4维的随机数，作为训练集的 X
    y_train = torch.randn(100, 1)  # 作为训练集的label

    model = LinearRegressionModel(x_train.shape[1], 1)
    epochs = 100  # 迭代1000次
    learning_rate = 0.01  # 学习率
    optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  # 优化函数
    criterion = nn.MSELoss()  # Loss使用MSE值，目标是使MSE最小

    for epoch in range(epochs):
        epoch += 1
        optimizer.zero_grad()
        outputs = model(x_train)
        loss = criterion(outputs, y_train)
        loss.backward()
        optimizer.step()
        writer.add_scalar("loss", loss.detach(), epoch)  # 第三步，绘图
    # 预测
    model.eval()
    predicted = model(torch.randn(100, 4)).data.numpy()
    print(predicted)
    writer.close()  # 第4步，写入关闭


if __name__ == '__main__':
    from torch.utils.tensorboard import SummaryWriter # 第1步

    writer = SummaryWriter(log_dir="summary_pic")  # 第二步，确定保存的路径，会保存一个文件夹，而非文件
    # tensorboard --logdir=summary_pic
    train_model()

使用：

tensorboard --logdir=summary_pic

在本地的http://localhost:6006/打开可以得到相关图像：

使用TensorBoard绘制loss曲线图详细过程

前言：首先确保机子上安装了TensorBoard包（命令行模式下可使用pip list查看）

1、然后在cmd窗口中或者Anaconda Prompt窗口中使用cd 进入TensorBoard包所在的文件夹下。
-------cd C:\ProgramData\Anaconda3\Scripts。

2、按照1中的方法进入TensorBoard包所在文件夹下后，使用如下命令
tensorboard --logdir=文件夹路径（注意：文件路径下最好不要有中文，文件只需要训练好的events.out.tfevents.xxxxx文件即可）

如下图所示，中会出现一个地址，win请使用localhost:6006进入；

localhost:6006页面如下图所示

这里有关于TensorBoard界面的详细介绍

tensorboard中的loss曲线在网页中可以通过设置平滑参数，画出比较漂亮的曲线，但是平滑后的曲线是没办法直接提取出来的

这里我们直接从tensorboard的页面中点击Show data download links，然后把曲线的csv文件下载下来，通过下面的代码平滑处理：

定义smooth函数，输入tensorboard下载的csv，然后保存平滑之后的csv文件

import pandas as pd
import numpy as np
import os
def smooth(csv_path,weight=0.85):
    data = pd.read_csv(filepath_or_buffer=csv_path,header=0,names=['Step','Value'],dtype={'Step':np.int,'Value':np.float})
    scalar = data['Value'].values
    last = scalar[0]
    smoothed = []
    for point in scalar:
        smoothed_val = last * weight + (1 - weight) * point
        smoothed.append(smoothed_val)
        last = smoothed_val


    save = pd.DataFrame({'Step':data['Step'].values,'Value':smoothed})
    save.to_csv('smooth_'+csv_path)


if __name__=='__main__':
    smooth('loss.csv')

平滑之后的csv通过下面的代码绘制出曲线图：

import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
from matplotlib.font_manager import FontProperties
import csv
 
def readcsv(files):
    csvfile = open(files, 'r')
    plots = csv.reader(csvfile, delimiter=',')
    x = []
    y = []
    for row in plots:
        y.append((row[2])) 
        x.append((row[1]))
    return x ,y
 
mpl.rcParams['font.family'] = 'sans-serif'
mpl.rcParams['font.sans-serif'] = 'NSimSun,Times New Roman'
 
plt.figure()
 
x,y=readcsv("smooth_loss.csv")
plt.plot(x, y, 'r',label='G ')
 
plt.xticks(fontsize=16)
plt.yticks(fontsize=16)
 
plt.ylim(0, 16)                   # y轴的最大值
plt.xlim(0, 104800)               # x轴最大值
plt.title('loss', fontsize=16) 
plt.xlabel('Steps',fontsize=20)
plt.ylabel('Score',fontsize=20)
plt.legend(fontsize=16)
plt.show()