（1）在使用pytorch训练模型时，可以使用tensorboardX实时监控各类数据的变化趋势； （2）可以使用tensorboardX可视化图片数据； （3）还有一些其它功能，我暂时没有用过，以后用到会继续补充（参考官方文档）； （4）这里介绍了如何书写代码，如何查看使用Tensorboard记录下来的数据点这里。
有时候我们希望观察图片在预处理或者数据增强以后的效果，又或者希望观察图片特征的可视化结果，那么tensorboardx都可以派上用场。
from tensorboardX import SummaryWriter import cv2 import numpy as np import time import os img = cv2.imread('testImg') img = np.transpose(img,(2,0,1)) #add_image默认array的形状是[C,H,W],而cv2写入图片给出的array形状是[H,W,C]; time_str = time.strftime('%Y-%m-%d-%H-%M') test_dir = '/home/local/test' log_dir = os.path.join(test_dir,time_str) writer = SummaryWriter(log_dir = log_dir) #参数是一个存储路径; writer.add_image('testImage',img,global_step = 1)在使用add_image方法时，有一些注意事项： （1）第一个参数是数据的一个标题，第二个参数是图片数据，可以使numpy.array形式，也可以是torch.Tensor形式（Tensorflow下的Tenosr不清楚，没有使用过，应该也是可以的）； （2）图片数据的格式必须是[C,H,W]，而opencv读入数据默认是[H,W,C]格式的numpy.array数据，因此需要用np.transpose方法调整； （3）图片数据的通道数最多为3，不能超过3，否则报错。因此在可视化图片特征的时候，也只能可视化3通道以下；
其他代码解释： （1）time.strftime方法可以以格式化方法返回一个str类型的当前时间表示，用于建立独立的文件夹存储tensorboardX输出的中间数据文件； （2）SummaryWriter中的log_dir参数是存储中间数据文件的文件夹路径，可以不用自行新建，调用该方法时就会自动新建；
在使用pytorch训练深度学习模型时，我们通常需要监控模型在训练过程中各项指标的走势，比如：训练中的各项损失的走势、模型各项评价指标在测试过程中的走势，那么就需要用到SummaryWriter中的add_scalar()方法。
from tensorboardX import SummaryWriter time_str = time.strftime('%Y-%m-%d-%H-%M') test_dir = '/home/local/test' log_dir = os.path.join(test_dir,time_str) writer = SummaryWriter(log_dir = log_dir) #参数是一个存储路径; epochs = 10 for epoch in range(epochs): train_loss = epoch #这里就随便写了一个例子，具体情况具体使用； writer.add_scalar('testScalar',train_loss,epoch)这样就可以记录一个训练指标的走势了，不同的指标只需要多次使用writer.add_scalar()方法，将第一个参数tag修改为不同的字符串即可。
