TensorBoard是tensorflow官方推出的可视化工具，它可以将模型训练过程中的各种汇总数据展示出来，包括标量(Scalars)、图片(Images)、音频(Audio)、计算图(Graphs)、数据分布(Distributions)、直方图(Histograms)和潜入向量(Embeddigngs)。

对于tensorBoard的安装可以使用pip install进行安装，这里百度就能直接找到方法，因此不再赘述。

我们这里主要使用tensorBoard的SummaryWriter方法，因此，我们这边导入的时候理论上使用命令：

from torch.utils.tensorboard import SummaryWriter

但是我在实际使用过程中，编译器给我报了个错误，因此这里给他修改为了

from torch.utils.tensorboard import *

对于函数形数据，我们可以通过数据数据和输出数据来给定一个函数图像。

在这之前，我们需要先出实话SummaryWriter对象。

在调用构造方法时，我们根据官方文档来进行设计。

首先，__init__方法需要传入一个log_dir作为参数，这个log_dir是我们python运行环境下的一个目录，这个目录用于持久化存储我们的日志数据和文件，如果我们删除了这个目录和文件，那么我们在可视化数据阅读时，将会无法得到我们想要的数据。

其中，add_scalar用于进行我们函数图像的绘制。因此，在这里，我们通过add_scalar方法进行图像的绘制。

add_scalar的第一个参数是我们给这个函数图像打上的一个标签，第二个参数是我们y轴的数据，而第三个参数是我们x轴的数据。

我们的代码编写如下：

writer = SummaryWriter("logs");
for i in range(-500,500):
    writer.add_scalar("y=x*x",i*i,i)

for i in range(-500,500):
    writer.add_scalar("y=x*x*x",i*i*i,i)
writer.close()

运行代码后，我们的logs目录下，将会出现一个文件，这个文件我们无法直接阅读

因此，我们在该目录输入tensorboard --logdir="logs"命令来进行数据可视化的操作。

我们打开浏览器访问本机的6006端口。

我们能够特别直观的看到系统中出现了两条函数图像，分别是二次函数和三次函数。

对于更高次的函数图像，我们也可以使用循环进行生成。

writer = SummaryWriter("logs");
for t in range(2,10):
    for i in range(-500,500):
        writer.add_scalar("y="+("x*"*t)[:-1],i**t,i)
writer.close()

对于图片类数据的处理，我们参考我们之前的一篇文章我们通过getitem方法能够获得一个PIL类型的图像文件，那么通过tensorBoard的add_image方法就能将其添加到我们的数据集中。

根据官方文档描述，我们需要定义图片文件的标签、图片资源的格式，这里推荐我们使用的格式为torch.Tensor、numpy.array、string/blobname格式的Images数据。

同时，我们还要阐述图片的shape信息，通过HWC或者CHW来传递，其中H代表高，W代表宽。这是一个三维信息。

代码如下：

ants_label_dir = "ants"
bees_label_dir = "bees"
ants_dataset = MyData(root_dir,ants_label_dir)
bees_dataset = MyData(root_dir,bees_label_dir)

img_PIL = ants_dataset[5][0]
writer = SummaryWriter("logs");
img_array = numpy.array(img_PIL)
writer.add_image("ants",img_array,1,dataformats="HWC")
writer.close()

直接通过TensorBoard获得Images的数据。，并可以通过add_image的第三个参数来设置Step步骤。