1、概念
TensorBoard可以看作是一个“训练监控仪表盘”，可以
将训练过程中的数据可视化，让你通过图表直观地看到模型的表现，
识别问题，并进行调试和优化。
TensorFlow是用来训练模型的深度学习框架，在使用tensorflow训练模型时，可以通过tensorboard来对数据进行可视化，帮助优化模型。
Pytorch也是一种深度学习框架。
- TensorFlow：功能强大，但初学者可能觉得上手稍难，适合工业生产中应用
- PyTorch：语法简洁，易于理解，许多用户觉得它更友好，在学术界中非常受欢迎
（一些项目可能会在研究阶段使用 PyTorch，随后在生产环境中使用 TensorFlow）
2、如何使用TensorBoard?（代码）
（1）安装tensorflow或pytorch后，引入SummaryWriter类
SummaryWriter：用来记录数据的指标
（2）创建SummarWriter实例及其关联文件夹
logs是即将创建的文件夹名称（日志目录）
（3）记录训练过程中产生的数据
（4）关闭文件夹
from torch.utils.tensorboard import SummaryWriter
writer=SummaryWriter("logs")
# writer.add_image()
# writer.add_scalar()
for i in range(100):
writer.add_scalar("y=3x",3*i,i)
writer.close()
3、如何查看可视化结果？
（1）在终端启动TensorBoard：
tensorboard --logdir=logs --port=6007
--logdir：指定TensorBoard日志文件的目录（就是SummarWriter创建的文件名）
--port：指定端口是6007，避免与默认的6006端口产生冲突（可以多个端口同时运行）
（为什么要在终端启动TensorBoard?
不同的执行环境：TensorBoard 通常需要在独立的进程中运行，以便持续地、实时地监控训练过程，而 Python 脚本通常是一次性执行的；
阻塞问题：在命令行中启动 TensorBoard 通常会占用一个终端窗口，但它不会阻塞整个系统。你可以在一个终端窗口中启动 TensorBoard，然后在另一个终端窗口中执行其他命令或运行训练脚本
简化管理：通过命令行启动 TensorBoard，可以更灵活地指定日志目录、端口等参数）
（2）查看结果
打开浏览器，访问 http://localhost:6007/
（3）如果因为tag未更改而与上一次的事件进行了拟合，则删除logs文件夹，重新运行生成即可。
