1. TensorBoard
TensorBoard是PyTorch最主流的可视化工具之一，支持监控训练过程中的损失、准确率、权重分布等关键指标，同时可可视化模型结构。安装方式为pip install tensorboard；使用时需在PyTorch代码中通过SummaryWriter记录数据（如writer.add_scalar('Loss/train', loss, epoch)），随后启动TensorBoard（tensorboard --logdir=./runs），通过浏览器访问localhost:6006即可查看实时指标变化。
2. Matplotlib
Matplotlib是Python基础绘图库，适合绘制简单直观的训练曲线（如损失/精度随epoch的变化）、模型参数分布直方图等。通过plt.plot()函数可快速生成折线图，配合plt.legend()、plt.title()等函数可自定义图表样式，帮助开发者快速理解模型训练趋势。
3. Seaborn
Seaborn基于Matplotlib构建，提供更高级的统计可视化功能，适合分析数据分布、特征相关性等。常用功能包括绘制带核密度估计的损失分布直方图（sns.histplot(data['Loss'], kde=True)）、展示特征相关性的热力图（sns.heatmap(data.corr(), annot=True)），能更清晰地呈现数据内在规律。
4. PyTorchviz（torchviz）
PyTorchviz专注于可视化PyTorch模型的计算图，帮助开发者理解模型架构与数据流向。安装方式为pip install torchviz；使用时通过make_dot()函数生成计算图（如dot = make_dot(model(input_tensor), params=dict(model.named_parameters()))），并可通过dot.render("model.pdf")保存为PDF文件，直观展示模型层间连接与参数传递。
5. Netron
Netron是专业的神经网络结构可视化工具，支持PyTorch、TensorFlow等多种框架。无需编写代码，直接通过命令行（netron model.pth）或网页界面打开模型文件（如.pth、.onnx），即可查看模型的层结构、参数详情及数据流向，适合快速验证模型架构是否符合预期。
6. TorchView
TorchView是针对PyTorch的开源可视化工具，支持可视化模型结构、张量形状、模块参数等信息。安装方式为pip install torchview；使用时需确保系统已安装Graphviz（Debian下通过sudo apt install graphviz安装），通过torchview.draw_model(model, input_size=(1, 3, 224, 224))生成可视化图形，帮助开发者直观理解模型每一层的输入输出及操作逻辑。