背景

一项新技术的诞生是充满曲折的长周期过程，充分的展示才能暴露问题的证明进步，才能更好的获得各方的支持和帮助，一步步走向成熟。机器学习方法难以解释，需要可视化。技术对普通人也难以解释，需要可视化。

训练过程日志记录与可视化方法

常用的工具主要有Tensorboard和wandb。

Tensorboard数据可视化
Tensorboard是机器学习中最常用的可视化工具之一，它不但可以用于模型训练及测试中过程可视化，甚至可以直接用于论文的插图。充分发挥tensorboard的功能，可以事半功倍。

1. 安装与启动

（1）安装 TensorBoard‌。
TensorBoard 通常随 TensorFlow 自动安装，也可单独通过 pip 安装：

pip install tensorboard

若使用 PyTorch，需通过 torch.utils.tensorboard 模块集成。‌‌

（2）‌启动服务‌。
在命令行中运行以下命令启动 TensorBoard 服务（默认端口 6006）：

tensorboard --logdir=日志文件目录路径

例如，若日志目录为 ./logs，则命令为 tensorboard --logdir=./logs。若端口被占用，可指定新端口（如 6007）：‌‌

tensorboard --logdir=./logs --port=6007

启动后，命令行会输出本地访问地址（如 http://localhost:6006），在浏览器中打开即可。‌‌

2. 数据记录与可视化

（1）记录标量数据‌。
在训练代码中使用 add_scalar 方法记录损失、准确率等指标：
TensorFlow/‌Keras‌：通过 tf.summary.scalar 或 Model.fit() 回调自动记录。‌‌
PyTorch‌：使用 SummaryWriter 类：

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter(‘logs’)
for epoch in range(100):
writer.add_scalar(‘loss’, loss_value, epoch)
writer.close()

（2）记录图像数据‌
使用 add_image 方法记录模型输出或样本图像，需注意数据格式（如 PyTorch 默认要求 CHW 格式）：

pythonCopy Code
writer.add_image(‘sample’, image_tensor, global_step)

若图像为 HWC 格式，需添加参数 dataformats=‘HWC’。‌‌

3. ‌查看可视化面板‌
   浏览器中打开 TensorBoard 后，主要面板包括：

• ‌‌Scalars‌：展示损失、准确率等指标随训练步骤的变化曲线。‌‌
• ‌‌Images‌：显示记录的图像数据，用于检查样本质量。‌‌
• ‌‌Graphs‌：可视化模型的计算图结构，帮助理解模型架构。‌‌

4. Tensorboard数据导出与处理
   tensorboard可以很好的对实验过程进行数据可视化，便于实验过程中的数据对比查看。但是只能将多次重复实验结果分别进行可视化，在数据对比中需要将多次重复实验处理，再与系列实验进行对比。额外的数据处理需要将数据进行导出，导出方法主要分为两种[1]：直接下载csv文件和直接解析event提取数据。
   对读出的数据可以进行初步处理和可视化 [3]。

reference：
[1] https://www.jianshu.com/p/bdeca5e26cc4
[2] https://www.cxymm.net/article/weixin_40539826/111083471
[3] https://blog.csdn.net/weixin_38757163/article/details/116693900

https://pytorch.org/docs/stable/tensorboard.html
https://zhuanlan.zhihu.com/p/103630393

wandb: 深度学习轻量级可视化工具
人工智能方向的项目，和数据可视化是紧密相连的。模型训练过程中梯度下降过程是什么样的？损失函数的走向如何？训练模型的准确度怎么变化的？清楚这些数据，对我们模型的优化至关重要。

reference：
[1] https://blog.csdn.net/qq_40507857/article/details/112791111
[2] https://wandb.ai/site

论文级数据分析与绘图

这些自动化的工具可以有效的帮助我们发现问题和快速的展示成果，但是很难登堂入室。

pandas数据读取与操作
使用数组或列表创建dataframe，对数据进行操作由宽数据转换为长数据。

Matplotlib画图

Seaborn论文级绘图
Seaborn是一个使用python画统计图表的库，在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图，同时它能高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式[1,6]。

图表类型选择
没有一种通用最好的可视化方法，不同的问题需要不同的绘图方式。支持多种风格和颜色设置，可以进行关系曲线、统计估计、变量分布、回归分析等[2]。
强化学习中训练曲线则是各指标关于episode的函数，采用其中的关系曲线 [3, 4]。多组实验结果在一张图中进行对比时，为了减小曲线波动和提高简洁性，采用平滑处理[5]。
训练得到的策略的性能是各指标关于设置条件的分布，采用分类数据图（plots for categorical data)。在一张图中对比不同条件下指标的均值和标准差。

图格式设置
1）背景颜色
seaborn中默认的是窗格底色，而论文中一般采用白色，有两种方法可以更改背景颜色 [7]，一种是使用seaborn.set()传递matplotlib模块中的参数来控制seaborn图的绘制，另外一种是通过seaborn.set_style()设置图的主题来稍微调整图形背景。
2）线宽
seaborn中曲线的宽度是偏细的，特别是单条曲线，官方文件中并未给出相应的参数设置，但是使用linewidth也是可以修改的 [8]。
3）字体及大小设置
字体大小可以通过seaborn.set() 函数中的 font_scale 参数整体放大，也可以使用 fontsize 参数指定字体大小 [9]。
4）设置坐标轴格式
设置坐标轴范围，刻度，位置，自定义刻度名称，添加数据标签 [10]。
5）设置图例
图例位置调整和排列方式设置 [11,12]。

图片保存[13]
1）图片格式
Matplotlib提供多种保存图片的格式，包括PNG、JPEG、EPS、SVG、PDF等。EPS和PDF文件格式更适合在印刷品中使用，在保持分辨率不变的情况下，可以无限缩放。
2）分辨率
默认情况下，Matplotlib使用100 dpi（dots per inch）的分辨率，这对于大多数应用程序来说已经足够了。但是，在一些应用场景下，比如印刷品，需要更高的分辨率。
3）尺寸
除了分辨率和文件格式之外，你还可以指定保存图片的尺寸。

reference:
[1] https://zhuanlan.zhihu.com/p/24464836
[2] https://zhuanlan.zhihu.com/p/342945532
[3] https://zhuanlan.zhihu.com/p/147847062
[4] https://zhuanlan.zhihu.com/p/75477750
[5] https://blog.csdn.net/qq_43280087/article/details/119894398
[6] https://seaborn.pydata.org/tutorial/introduction.html
[7] https://www.delftstack.com/zh/howto/seaborn/background-color-seaborn/
[8] https://www.coder.work/article/7665070
[9] https://zhuanlan.zhihu.com/p/437747308
[10] https://blog.csdn.net/HHG20171226/article/details/101294381
[11] https://blog.csdn.net/Wannna/article/details/102751689
[12] https://blog.csdn.net/weixin_38314865/article/details/115182900
[13] https://zhuanlan.zhihu.com/p/592141461
[14] https://geek-docs.com/seaborn/seaborn-top-tutorials/1001100_seaborn_introduction.html

进阶技巧

多图绘制方法
直接绘制子图网格。

在latex或者word中拼图。

reference：
[1] https://geek-docs.com/seaborn/seaborn-top-tutorials/1016100_seaborn_pair_grid.html

中文显示

reference：
https://blog.csdn.net/u010472607/article/details/82789887

总结