Mlops Tensorboard 可视化

# 综合可视化指南 使用 TensorBoard 可视化机器学习实验的完整指南。 ## 目录 - 标量 (Scalars) - 图像 (Images) - 直方图与分布 (Histograms & Distributions) - 图表 (Graphs) - 嵌入 (Embeddings) - 文本 (Text) - PR 曲线 - 自定义可视化 ## 标量 ### 基础标量记录 python from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter('runs/scalars_demo') # 记录单个指标 for step in range(100): loss = compute_loss() writer.add_scalar('Loss', loss, step) writer.close() ### 多个标量 python # 分组相关指标 writer.add_scalars('Loss', { 'train': train_loss, 'validation': val_loss, 'test': test_loss }, epoch) writer.add_scalars('Metrics/Classification', { 'accuracy': accuracy, 'precision': precision, 'recall': recall, 'f1_score': f1 }, epoch) ### 时间序列指标 python # 跟踪训练过程中的指标 for epoch in range(100): # 训练指标 train_loss = 0.0 for batch in train_loader: loss = train_batch(batch) train_loss += loss train_loss /= len(train_loader) # 验证指标 val_loss, val_acc = validate() # 记录 writer.add_scalar('Loss/train', train_loss, epoch) writer.add_scalar('Loss/val', val_loss, epoch) writer.add_scalar('Accuracy/val', val_acc, epoch) # 记录学习率 current_lr = optimizer.param_groups[0]['lr'] writer.add_scalar('Learning_rate', current_lr, epoch) ### 自定义平滑 TensorBoard UI 允许平滑标量： - 滑块从 0（无平滑）到 1（最大平滑） - 指数移动平均 - 对噪声较大的指标非常有用 ## 图像 ### 单张图像 python import torch from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter('runs/images_demo') # 记录单张图像 (C, H, W) img = torch.rand(3, 224, 224) writer.add_image('Sample_image', img, 0) ### 图像网格 python from torchvision.utils import make_grid # 从批次创建网格 images = torch.rand(64, 3, 224, 224) # 64 张图像的批次 img_grid = make_grid(images, nrow=8) # 每行 8 张图像 writer.add_image('Image_grid', img_grid, epoch) ### 训练可视化 python # 可视化输入、预测和真实标签 for epoch in range(10): # 获取批次 images, labels = next(iter(val_loader)) # 预测 with torch.no_grad(): predictions = model(images) # 可视化输入 input_grid = make_grid(images[:16], nrow=4) writer.add_