pytorch可视化工具（训练评估:Tensorboard、swanlab）

1、Tensorboard

1. 教程

官方：
https://github.com/tensorflow/tensorboard
https://tensorflowcn.cn/tensorboard
https://pytorch.ac.cn/tutorials/intermediate/tensorboard_tutorial.html
https://pytorch.ac.cn/tutorials/beginner/introyt/tensorboardyt_tutorial.html
https://pytorch.ac.cn/docs/stable/tensorboard.html

推荐看下面两个：
https://pytorch.ac.cn/tutorials/intermediate/tensorboard_tutorial.html
https://pytorch.ac.cn/tutorials/beginner/introyt/tensorboardyt_tutorial.html
https://docs.pytorch.ac.cn/docs/stable/tensorboard.html

使用 TensorBoard 可视化模型、数据和训练：
PyTorch 集成了 TensorBoard，这是一个专门用于可视化神经网络训练结果的工具。本教程将介绍 TensorBoard 的一些功能，使用 Fashion-MNIST 数据集，该数据集可以使用 torchvision.datasets 加载到 PyTorch 中。

• 支持的摘要作包括：
  tf.summary.scalar
  tf.summary.image
  tf.summary.audio
  tf.summary.text
  tf.summary.histogram

SB3示例：
https://stable-baselines3.readthedocs.io/en/master/guide/tensorboard.html#tensorboard

您可以使用以下 bash 命令在训练期间或之后监控 RL 代理：
tensorboard --logdir ./a2c_cartpole_tensorboard/

您还可以添加过去的日志记录文件夹：
tensorboard --logdir ./a2c_cartpole_tensorboard/;./ppo2_cartpole_tensorboard/

# 用不了
# tensorboard --logdir ./tb_log/a2c_cartpole_tensorboard/;./tb_log/ppo/
# 可以，放在同个目录
# tensorboard --logdir ./tb_log

2.标签页 （页面布局）

官方：https://github.com/tensorflow/tensorboard
https://blog.csdn.net/x1664/article/details/142186422
https://zhuanlan.zhihu.com/p/115802478
https://zhuanlan.zhihu.com/p/471198169

pytorch API文档：https://pytorch.ac.cn/docs/stable/tensorboard.html

1. 标签页对应的函数
   自 1.14 版本起，仅支持以下插件：标量、自定义标量、图像、音频、图表、投影仪（部分）、分布、直方图、文本、PR 曲线、网格。此外，不支持 Google Cloud Storage 上的日志目录。https://github.com/tensorflow/tensorboard
   （only the following plugins are supported: scalars, custom scalars, image, audio, graph, projector (partial), distributions, histograms, text, PR curves, mesh. In addition, there is no support for log directories on Google Cloud Storage.）

   • 标签页对应的函数

     • add_scalars
       add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)
       功能：在一个坐标轴中绘制多条曲线。常用于曲线对比。

     • add_figure
       add_figure(tag, figure, global_step=None, close=True, walltime=None)
       功能：将matplotlib的figure绘制到tensorboard中。

     • add_image
       add_image(tag, img_tensor, global_step=None, walltime=None, dataformats=‘CHW’)
       功能：绘制图像。

     • add_images
       add_images(tag, img_tensor, global_step=None, walltime=None, dataformats=‘NCHW’)
       功能：绘制图像序列，常用于数据清洗，卷积核，特征图的可视化。

     • add_histogram
       add_histogram(tag, values, global_step=None, bins=‘tensorflow’, walltime=None, max_bins=None)
       功能：绘制直方图。这里的global_step表明会得到多个直方图，详情请看图理解。

     • add_video：绘制视频
       add_audio：绘制音频，可进行音频播放。
       add_text：绘制文本
       add_graph：绘制pytorch模型拓扑结构图。
       add_embedding：绘制高维数据在低维的投影
       add_pr_curve：绘制PR曲线，二分类任务中很实用。
       add_mesh：绘制网格、3D点云图。
       add_hparams：记录超参数组，可用于记录本次曲线所对应的超参数。

2. 示例：scalars 和 Images标签页
   你现在可以查看 scalars 标签页，看到在 15,000 次训练迭代中绘制的运行损失曲线，此外，我们还可以查看模型在整个学习过程中对任意批次所做的预测。查看“Images”标签页，并在“predictions vs. actuals”可视化下方向下滚动即可看到；这向我们展示了，例如，在仅仅 3000 次训练迭代后，模型就已经能够区分衬衫、运动鞋和大衣等视觉上不同的类别，尽管它的信心不如训练后期那么高。参考：https://pytorch.ac.cn/tutorials/intermediate/tensorboard_tutorial.html
   
   

3. 整个页面布局：
   
   

对本例中创建的可视化内容以及可找到它们的仪表盘（顶部导航栏中的选项卡）的简要概述：
参考：https://github.com/tensorflow/tensorboard/blob/master/docs/get_started.ipynb

• 标量（Scalars）：展示损失和指标在每个轮次（epoch）的变化情况。你也可借助它们追踪训练速度、学习率以及其他标量值。标量可在“时间序列（Time Series）”或“标量（Scalars）”仪表盘找到。
• 图形（Graphs）：助你可视化模型。此处展示的是Keras层图形，能帮你确认模型构建正确。图形可在“图形（Graphs）”仪表盘找到。
• 直方图和分布（Histograms and Distributions）：展示张量随时间的分布情况。这对可视化权重和偏置、验证其是否按预期变化很有用。直方图可在“时间序列（Time Series）”或“直方图（Histograms）”仪表盘找到，分布可在“分布（Distributions）”仪表盘找到 。
• 当你记录其他类型数据时，其他TensorBoard仪表盘会自动启用。比如，Keras TensorBoard回调还能让你记录图像和嵌入向量。你可点击右上角的“未激活（inactive）”下拉菜单，查看TensorBoard中还有哪些其他可用仪表盘 。

3. DataFrame 访问 TensorBoard 数据

获取TensorBoard中的数据
https://tensorflow.google.cn/tensorboard/dataframe_api?hl=zh-cn
https://github.com/tensorflow/tensorboard

4. add_scalars

https://pytorch.ac.cn/docs/stable/tensorboard.html
https://pytorch.ac.cn/tutorials/beginner/introyt/tensorboardyt_tutorial.html
pytorch API文档：https://pytorch.ac.cn/docs/stable/tensorboard.html

add_scalars：
add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)
功能：在一个坐标轴中绘制多条曲线。常用于曲线对比。

然后可以使用 TensorBoard 对其进行可视化，TensorBoard 可以通过以下方式安装和运行
pip install tensorboard
tensorboard --logdir=runs
一个实验可以记录很多信息。为了避免 UI 混乱并更好地对结果进行聚类，我们可以通过分层命名来对图表进行分组。例如，“Loss/train” 和 “Loss/test” 将被分在一组，而 “Accuracy/train” 和 “Accuracy/test” 将在 TensorBoard 界面中单独分组。

from torch.utils.tensorboard import SummaryWriter
import numpy as np

writer = SummaryWriter()

for n_iter in range(100):
    writer.add_scalar('Loss/train', np.random.random(), n_iter)
    writer.add_scalar('Loss/test', np.random.random(), n_iter)
    writer.add_scalar('Accuracy/train', np.random.random(), n_iter)
    writer.add_scalar('Accuracy/test', np.random.random(), n_iter)

目录分开：

from torch.utils.tensorboard import SummaryWriter
import numpy as np

import os
from glob import glob
from torch.utils.tensorboard import SummaryWriter

def get_next_log_dir(base_dir="runs/run"):
    """
    自动获取一个不存在的 log 目录（exp0, exp1, exp2, ...）
    """
    i = 0
    while os.path.exists(f"{base_dir}_{i}"):
        i += 1
    return f"{base_dir}_{i}"

log_dir = get_next_log_dir()  # e.g., runs/exp3
writer = SummaryWriter(log_dir=log_dir)

# writer = SummaryWriter()
# writer = SummaryWriter(log_dir='./runs/test', comment='exp_1')

for n_iter in range(100):
    writer.add_scalar('Loss/train', np.random.random(), n_iter)
    writer.add_scalar('Loss/test', np.random.random(), n_iter)
    writer.add_scalar('Accuracy/train', np.random.random(), n_iter)
    writer.add_scalar('Accuracy/test', np.random.random(), n_iter)

writer.close()

print(f"TensorBoard logs saved to: {log_dir}")

writer = SummaryWriter('runs‘): log_dir (str) – 保存目录位置。默认值为 runs/CURRENT_DATETIME_HOSTNAME，每次运行时都会更改。使用分层文件夹结构可以轻松比较不同运行。例如，对于每个新实验，传入 ‘runs/exp1’、‘runs/exp2’ 等以进行比较。

官方API：
pytorch API文档：https://pytorch.ac.cn/docs/stable/tensorboard.html

不支持日期

要使用 TensorBoard 的 add_scalar 方法，以日期为 x 轴绘制股票数据（如收盘价），需要注意的是：add_scalar 的 x 轴是 step（int 类型），不是直接支持 datetime 类型。但你可以将日期转为 step index，再通过日期的映射在 TensorBoard 中查看。

不过，我们可以保留日期信息作为 tag 或写到日志中，同时通过 Pandas 来把日期转为 step，并使用 add_scalar(tag, scalar_value, global_step) 来记录数据。

✅ 示例代码：使用 SummaryWriter.add_scalar 绘制股票收盘价

假设我们有如下的股票数据（Date, Close）：

import pandas as pd
from torch.utils.tensorboard import SummaryWriter

# 假设这是你的股票数据
data = pd.DataFrame({
    'Date': pd.date_range(start='2024-01-01', periods=100),
    'Close': pd.Series(range(100)) + 100  # 模拟价格
})
data.set_index('Date', inplace=True)

# 创建 TensorBoard writer
writer = SummaryWriter(log_dir='runs/stock_prices')

# 遍历数据，写入 TensorBoard（step = index）
for i, (date, row) in enumerate(data.iterrows()):
    writer.add_scalar('Stock/Close', row['Close'], global_step=i)
    # 可选：将日期写入文本记录
    writer.add_text('Stock/Date', f'{i}: {date.strftime("%Y-%m-%d")}', global_step=i)

writer.close()

📈 查看日期信息的方式：

由于 TensorBoard 默认 x 轴是 step，你可以：

1. 在 TensorBoard 中 hover 鼠标，看到 step 和 Close 值。
2. 利用 add_text 保存 step 对应的日期，便于你查找。
3. 或者把时间戳转为 step 的形式，例如：

step = int(date.timestamp())  # 可行，但粒度太大，图像不连续

通常不推荐直接用时间戳当 step，而是保留顺序索引即可。

🧠 小贴士：用 Matplotlib 画日期更合适

如果你更关心“以日期为 x 轴”的直观可视化，可以考虑用 matplotlib：

import matplotlib.pyplot as plt

data.plot(y='Close', use_index=True)
plt.title('Stock Close Price')
plt.xlabel('Date')
plt.ylabel('Close')
plt.grid(True)
plt.show()

🔁 总结：

如你想“自定义 TensorBoard x 轴为时间”，那就需要使用 TensorBoard.dev 或者对 protobuf logs 自定义写入（较复杂）。

需要我帮你封装一个完整函数或把多个股票一起画？可以继续说。

5. add_figure

add_figure
add_figure(tag, figure, global_step=None, close=True, walltime=None)
功能：将matplotlib的figure绘制到tensorboard中。

import pandas as pd
import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter

# 模拟股票数据
data = pd.DataFrame({
    'Date': pd.date_range(start='2024-01-01', periods=500),
    'Close': pd.Series(range(500)) + 100,
    'Volume': pd.Series(range(500)) * 10000
})
data.set_index('Date', inplace=True)

# 创建 TensorBoard 写入器
writer = SummaryWriter("runs/stock_with_figure7")

# 绘制股票收盘价图
fig, ax = plt.subplots(figsize=(10, 4))
data['Close'].plot(ax=ax)
ax.set_title("Stock Close Price")
ax.set_xlabel("Date")
ax.set_ylabel("Price")
ax.grid(True)
# 添加图像到 TensorBoard
writer.add_figure("Stock/ClosePriceFigure", fig, global_step=0)


# 绘制成交量图
fig, ax = plt.subplots(figsize=(10, 4)) 
data['Volume'].plot(ax=ax)  # 用 ax 绘制    
ax.set_title("Stock Volume")
ax.set_xlabel("Date")
ax.set_ylabel("Volume")
ax.grid(True)
# 添加图像到 TensorBoard
writer.add_figure("Stock/VolumeFigure", fig, global_step=0)
# writer.add_figure("Stock/VolumeFigure", fig, global_step=1)
# writer.add_figure("Stock/ClosePriceFigure", fig, global_step=1)


# 2、*********图像列表*********
import matplotlib.pyplot as plt

figures = []

for i in range(3):  # 生成3个Figure
    fig, ax = plt.subplots()
    ax.plot([1, 2, 3], [x * (i + 1) for x in [1, 2, 3]])  # 简单绘图，数据随i变化
    ax.set_title(f'Figure {i+1}')
    figures.append(fig)

# 现在 figures 是一个包含3个 Figure 对象的列表
# 记录单个图形
writer.add_figure("Stock_figures/figures", figures, global_step=0)


writer.close()

2、swanlab可视化工具 （类似Tensorboard）

https://swanlab.cn/
https://docs.swanlab.cn/examples/lstm_stock.html
入门教程：https://docs.swanlab.cn/guide_cloud/general/quick-start.html
SB3示例：https://docs.swanlab.cn/guide_cloud/integration/integration-sb3.html
一些示例：https://docs.swanlab.cn/examples/lstm_stock.html

SwanLab 是一款开源、轻量级的 AI 模型训练跟踪与可视化工具，专为人工智能研究者设计，提供实验跟踪、记录、比较及团队协作功能 。它支持 Cloud / Self-hosted 部署模式，兼具现代化界面设计和高效的数据分析能力，常被称作“中国版 Weights & Biases + Tensorboard” 。

其核心功能包括：

• 训练可视化：实时监控实验指标（如损失、准确率等），并通过看板直观展示 。
• 自动日志记录：自动捕捉超参数、模型版本及训练过程中的关键数据 。
• 实验对比：支持多实验结果的横向对比，便于优化模型性能 。
• 多人协作：团队成员可共享实验记录，基于可视化结果进行远程协作 。
• 私有化部署：提供灵活的本地化部署方案，满足不同团队的安全与定制需求 。

SwanLab 兼容多种 AI 框架，适用于本地开发或云端协作场景，旨在提升 AI 研发效率 。目前其 GitHub 项目已获得超过 1k Star，社区活跃度较高 。

1. 安装SwanLab
使用 pip 在Python3环境的计算机上安装swanlab库。

打开命令行，输入：


pip install swanlab
按下回车，等待片刻完成安装。

如果遇到安装速度慢的问题，可以指定国内源安装：
pip install swanlab -i https://mirrors.cernet.edu.cn/pypi/web/simple

2. 登录账号
如果你还没有SwanLab账号，请在 官网 免费注册。

打开命令行，输入：


swanlab login
当你看到如下提示时：


swanlab: Logging into swanlab cloud.
swanlab: You can find your API key at: https://swanlab.cn/settings
swanlab: Paste an API key from your profile and hit enter, or press 'CTRL-C' to quit:
在用户设置页面复制您的 API Key，粘贴后按下回车（你不会看到粘贴后的API Key，请放心这是正常的），即可完成登录。之后无需再次登录。

INFO

如果你的计算机不太支持swanlab login的登录方式，也可以使用python脚本登录：


import swanlab
swanlab.login(api_key="你的API Key", save=True)
3. 开启一个实验并跟踪超参数
在Python脚本中，我们用swanlab.init创建一个SwanLab实验，并向config参数传递将一个包含超参数键值对的字典：


import swanlab

run = swanlab.init(
    # 设置项目
    project="my-project",
    # 跟踪超参数与实验元数据
    config={
        "learning_rate": 0.01,
        "epochs": 10,
    },
)
run是SwanLab的基本组成部分，你将经常使用它来记录与跟踪实验指标。

4. 记录实验指标
在Python脚本中，用swanlab.log记录实验指标（比如准确率acc和损失值loss）。

用法是将一个包含指标的字典传递给swanlab.log：


swanlab.log({"accuracy": acc, "loss": loss})
5. 完整代码，在线查看可视化看板
我们将上面的步骤整合为下面所示的完整代码：


import swanlab
import random

# 初始化SwanLab
run = swanlab.init(
    # 设置项目
    project="my-project",
    # 跟踪超参数与实验元数据
    config={
        "learning_rate": 0.01,
        "epochs": 10,
    },
)

print(f"学习率为{run.config.learning_rate}")

offset = random.random() / 5

# 模拟训练过程
for epoch in range(2, run.config.epochs):
    acc = 1 - 2**-epoch - random.random() / epoch - offset
    loss = 2**-epoch + random.random() / epoch + offset
    print(f"epoch={epoch}, accuracy={acc}, loss={loss}")
    # 记录指标
    swanlab.log({"accuracy": acc, "loss": loss})

运行代码，访问SwanLab，查看在每个训练步骤中，你使用SwanLab记录的指标（准确率和损失值）的改进情况。

3、现成的AI模型训练+评估框架

推荐：
Hugging Face Trainer（✅）
PyTorch Lightning

提问：现成的ai模型训练评估框架，包括tersorboard查看训练数据、筛选模型、评估效果

提问：

简单概述主流现成的AI模型训练+评估框架，包含：

训练过程中的数据监控（比如通过 TensorBoard 可视化损失、指标）

模型筛选（如自动保存最优模型、早停）

评估效果（自动计算指标，方便比较模型）

你想要的是一个现成的AI模型训练+评估框架，包含：

• 训练过程中的数据监控（比如通过 TensorBoard 可视化损失、指标）
• 模型筛选（如自动保存最优模型、早停）
• 评估效果（自动计算指标，方便比较模型）

下面给你推荐几个主流且功能完整的框架/工具组合，覆盖你需求的这几个点：

1. PyTorch Lightning + TensorBoard + ModelCheckpoint + EarlyStopping

• 训练监控：Lightning内置对TensorBoard的支持，训练时自动记录loss、metric到TensorBoard。
• 模型筛选：内置 ModelCheckpoint，可自动保存指标最优模型（如val_loss最小、准确率最高）。
• 早停：内置 EarlyStopping，当验证指标不再提升时自动停止训练。
• 评估效果：支持训练、验证、测试阶段指标计算和记录。

核心代码示例：

import pytorch_lightning as pl
from pytorch_lightning.callbacks import ModelCheckpoint, EarlyStopping

checkpoint_callback = ModelCheckpoint(
    monitor='val_loss',    # 监控验证损失
    mode='min',           # 取最小值对应模型
    save_top_k=1,
    verbose=True,
)

early_stop_callback = EarlyStopping(
    monitor='val_loss',
    patience=5,
    verbose=True,
    mode='min'
)

trainer = pl.Trainer(
    max_epochs=50,
    callbacks=[checkpoint_callback, early_stop_callback],
    logger=pl.loggers.TensorBoardLogger('tb_logs/')
)

trainer.fit(model, train_dataloader, val_dataloader)

启动后，在终端运行 tensorboard --logdir=tb_logs/ 即可实时查看训练过程。

2. TensorFlow / Keras + TensorBoard + ModelCheckpoint + EarlyStopping

• TensorFlow内置支持TensorBoard，训练时会自动写入日志。
• ModelCheckpoint可保存验证指标最优模型。
• EarlyStopping自动停止训练避免过拟合。

示例：

callbacks = [
    tf.keras.callbacks.TensorBoard(log_dir='./logs'),
    tf.keras.callbacks.ModelCheckpoint('best_model.h5', monitor='val_loss', save_best_only=True),
    tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=5)
]

model.fit(x_train, y_train, validation_data=(x_val, y_val), epochs=50, callbacks=callbacks)

3. Stable Baselines3 (强化学习)

• 自带 EvalCallback 用于训练过程中自动评估模型表现。
• CheckpointCallback 用于保存模型。
• 训练日志可通过 TensorBoard 监控。

示例：

from stable_baselines3.common.callbacks import EvalCallback, CheckpointCallback

eval_callback = EvalCallback(eval_env, best_model_save_path='./logs/',
                             log_path='./logs/', eval_freq=10000, deterministic=True)
checkpoint_callback = CheckpointCallback(save_freq=5000, save_path='./logs/')

model.learn(total_timesteps=100000, callback=[eval_callback, checkpoint_callback])

运行 tensorboard --logdir=./logs 可查看指标变化。

4. Huggingface Trainer（NLP）

• 内置日志记录（支持TensorBoard、WandB等）
• 自动保存最优模型和早停（EarlyStoppingCallback）
• 评估指标自动计算和记录

示例：

from transformers import Trainer, TrainingArguments, EarlyStoppingCallback

training_args = TrainingArguments(
    output_dir='./results',
    evaluation_strategy='epoch',
    save_strategy='epoch',
    logging_dir='./logs',
    logging_steps=10,
    load_best_model_at_end=True,
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    callbacks=[EarlyStoppingCallback(early_stopping_patience=3)],
)

trainer.train()

然后使用TensorBoard查看 ./logs 文件夹。

5. 结合Weights & Biases（W&B）

(即WandB)

• 支持各种框架（PyTorch、TensorFlow、Lightning、SB3、HF等）
• 自动记录训练日志、模型、超参
• 支持在线实时可视化和对比多个实验
• 支持模型版本管理和筛选

官网：https://wandb.ai/site

总结推荐

如果你告诉我你用的是哪种框架，我可以帮你写具体的训练+评估+TensorBoard配置示例，或者帮你搭建完整的训练流水线。你看？