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。
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，下面将利用TensorBoard来实现可视化网络模型结构操作。
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。
data_transform = T.Compose([ T.ToTensor(), T.RandomResizedCrop(32), 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) images, labels = next(iter(train_loader)) logger = SummaryWriter(log_dir='./log') logger.add_graph(model, images)
我们只需要传入模型，以及模型的输入信息即可，其实上述代码不一定要传入images，其实可以随意创建一个张量即可，它的意义就是要告诉模型的输入形状，我们可以使用下面代码代替：
logger = SummaryWriter(log_dir='./log') logger.add_graph(model, torch.randn(32, 1, 32, 32))
