torchsummary可以完美又简洁的输出用pytorch写的网络的相关信息。比如每个层的操作，输出维度，模型的总参数量，训练的参数量，网络的暂用内存情况等等。

# conda提示找不到来着。conda源中没有这个模块。
pip install torchsummary

from torchsummary import summary

# 然后使用summary函数
summary(model,imput_size,batch_size,device)
# 参数说明：模型（model）、输入尺寸（input_size）、批次大小（batch_size）、运行平台（device）

# 加载 TensorBoard notebook 插件
%load_ext tensorboard

# 启动 TensorBoard
%tensorboard --logdir logs

可能会遇到问题：No dashboards are active for the current data set.

原因是由于可能在某个时间段，运行了Jupyter，导致使用默认的端口开启了tensorboard服务，但是指定的logdir却没有event files文件，解决方案如下：关闭之前占用默认端口的tensorboard服务，然后找到指定文件夹重新开启；或者使用另一个端口，比如6666端口：tensorboard --logdir='logs' --port=6666

add_scalar(self, tag, scalar_value, global_step=None, walltime=None, new_style=False, double_precision=False)

主要参数说明：

• tag：名字
• scalar_value：保存标量的数据
• global_step：批次数，也可以认为是迭代数，用于表示一种过程。

使用：

# 实例化SummaryWriter类
tb_wirter = SummaryWriter(log_dir="./runs/Exp")

# 添加一条曲线在一张图中可视化
for i in range(200):
    tb_wirter.add_scalar(tag='sine wave', scalar_value=np.math.sin(i), global_step=i)

# 关闭SummaryWriter类 
tb_wirter.close()

add_scalars(self, main_tag, tag_scalar_dict, global_step=None, walltime=None)

主要参数说明：

• main_tag：名字
• tag_scalar_dict：多种数据使用字典方式传入
• global_step：批次数

使用：

# 实例化SummaryWriter类
tb_wirter = SummaryWriter(log_dir="./runs/Exp")

# 添加多条曲线在一张图中可视化
for i in range(200):
    tb_wirter.add_scalars(main_tag='scalar_group',
                          tag_scalar_dict={'xsinx': i * np.sin(i),
                                           'xcosx': i * np.cos(i),
                                           'tanx': np.tan(i)},
                          global_step=i)
# 关闭SummaryWriter类 
tb_wirter.close()

add_graph(self, model, input_to_model=None, verbose=False, use_strict_trace=True)

主要参数说明：

• model：网络模型
• input_to_model：网络模型的一种输入，对于图像分类问题一般是(batch_size,channel,height,weight)

使用：

# 实例化SummaryWriter类
tb_wirter = SummaryWriter(log_dir="./runs/Exp")

# 以resnet18为例网络结构可视化。注意，必须有关闭SummaryWriter对象操作
resnet18 = models.resnet18(False)
tb_wirter.add_graph(model=resnet18, input_to_model=torch.rand(32, 3, 64, 64))

# 关闭SummaryWriter类 
tb_wirter.close()

add_histogram(self, tag, values, global_step=None, bins="tensorflow", walltime=None, max_bins=None)

主要参数说明：

• tag：名字
• values：保存的数据
• global_step：批次数

使用：

# 实例化SummaryWriter类
tb_wirter = SummaryWriter(log_dir="./runs/Exp")

# 分布和直方图,比如说对每一层网络权重进行统计分布以及画出直方图
resnet18 = models.resnet18(False)
for i in range(5):  # 相当于训练5个epochs，然后查看每个epochs中训练后权重分布
    for name, param in resnet18.named_parameters():
        tb_wirter.add_histogram(tag=name, values=param.clone().cpu().data.numpy(), global_step=i)

# 关闭SummaryWriter类 
tb_wirter.close()

add_pr_curve(self, tag, labels, predictions, global_step=None, num_thresholds=127, weights=None, walltime=None)

主要参数说明：

• tag：名字
• labels：真实类别
• predictions：预测类别分数
• global_step：批次数

使用：

# 实例化SummaryWriter类
tb_wirter = SummaryWriter(log_dir="./runs/Exp")

# PR 曲线, 以二分类为例，随机生成类别以及预测分数
labels = np.random.randint(2, size=100)
predictions = np.random.rand(100)
tb_wirter.add_pr_curve(tag='pr_curve', labels=labels, predictions=predictions, global_step=0)

# 关闭SummaryWriter类 
tb_wirter.close()

上面所有代码汇总一下：

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

if __name__ == '__main__':
    # tb_wirter = SummaryWriter(log_dir="./runs",comment='')
    tb_wirter = SummaryWriter(log_dir="./runs/Exp1")

    # 添加一条曲线在一张图中可视化
    for i in range(200):
        tb_wirter.add_scalar(tag='sine wave', scalar_value=np.math.sin(i), global_step=i)

    # 添加多条曲线在一张图中可视化
    for i in range(200):
        tb_wirter.add_scalars(main_tag='scalar_group',
                              tag_scalar_dict={'xsinx': i * np.sin(i),
                                               'xcosx': i * np.cos(i),
                                               'tanx': np.tan(i)},
                              global_step=i)

    # 网络结构可视化,必须有关闭SummaryWriter对象操作
    resnet18 = models.resnet18(False)
    tb_wirter.add_graph(model=resnet18, input_to_model=torch.rand(32, 3, 64, 64))

    # 分布和直方图,比如说对每一层网络权重进行统计分布以及画出直方图
    for i in range(5):  # 相当于训练5个epochs，然后查看每个epochs中训练后权重分布
        for name, param in resnet18.named_parameters():
            tb_wirter.add_histogram(tag=name, values=param.clone().cpu().data.numpy(), global_step=i)

    # PR 曲线, 以二分类为例，随机生成类别以及预测分数
    labels = np.random.randint(2, size=100)
    predictions = np.random.rand(100)
    tb_wirter.add_pr_curve(tag='pr_curve', labels=labels, predictions=predictions, global_step=0)

    # 关闭
    tb_wirter.close()

TensorBoard.dev 是 TensorBoard 的一个组件，它允许我们在网络上托管机器学习结果。