pytorch使用TensorBoard可视化图像信息

在训练神经网络时，我们希望能够直观地训练情况，例如损失函数的曲线、输入的图像、模型精度等信息，这些信息可以帮助我们更好地监督网络的训练过程，并为参数优化提供方向和依据。

其实我们可以有个更容易地实现方式就是定义一个列表，然后将每个epoch的训练结果添加到列表中，待模型训练完成之后，使用这个列表中的数据进行可视化以及绘图操作等。

本文提供一个更为专业的操作，它是一个常用的可视化工具：TensorBoard

PyTorch已经内置了TensorBoard的相关接口，用户在安装后便可调用相关接口进行数据可视化。

代码如下

data_transform = T.Compose([
        T.ToTensor(),
        T.Normalize((0.5,), (0.5,))
])

train_dataset = torchvision.datasets.MNIST('./', train=True, transform=data_transform)
val_dataset = torchvision.datasets.MNIST('./', train=False, transform=data_transform)

train_loader = torch.utils.data.DataLoader(train_dataset, 16)
val_loader = torch.utils.data.DataLoader(val_dataset, 16)

img, labels = next(iter(train_loader))
grid = torchvision.utils.make_grid(img)

logger = SummaryWriter(log_dir='./log')
logger.add_image('images', grid, 0)

首先定义日志写入器，然后将图像网格信息写入即可