1. TensorBoard（官方训练过程可视化工具）
TensorBoard是PyTorch官方集成的可视化工具，主要用于监控模型训练过程、可视化计算图及分析数据分布。它支持跟踪损失、准确率等指标的变化趋势，绘制直方图展示参数分布，还能可视化模型结构。安装方式为pip install tensorboard，使用时通过SummaryWriter记录数据，训练结束后启动tensorboard --logdir=runs，在浏览器中访问localhost:6006即可查看。
2. Torchinfo（模型结构与参数统计工具）
Torchinfo（原名torch-summary）用于输出PyTorch模型的详细结构信息，包括各层的类型、参数数量、输入输出形状等。安装命令为pip install torchinfo，使用示例：from torchinfo import summary; summary(model, input_size=(batch_size, channels, height, width))，能快速了解模型架构的全貌。
3. PyTorchviz（计算图可视化工具）
PyTorchviz基于Graphviz库，可将PyTorch模型的计算图可视化为图形文件（如PNG、PDF）。它展示了张量操作、模块调用及参数依赖关系，适合理解模型的计算流程。安装方式为pip install torchviz，使用示例：from torchviz import make_dot; dot = make_dot(model(input_tensor), params=dict(model.named_parameters())); dot.render("model", format="png")。
4. Netron（模型架构可视化工具）
Netron是一款跨平台的深度学习模型可视化工具，支持PyTorch的.pt、.onnx等格式模型文件。它能直观显示模型的层结构、参数配置及连接关系，无需编写代码即可查看模型细节。安装方式为pip install netron，启动后通过命令netron model.pt --port 8080在浏览器中访问localhost:8080查看。
5. TorchView（增强型模型可视化工具）
TorchView是PyTorch的图形化模型可视化库，支持显示张量、模块、操作及输入输出形状，还能处理递归模块（如RNN）的滚动/展开。它适用于大多数PyTorch模型（包括Hugging Face模型），安装前需先安装graphviz（sudo apt-get install graphviz），然后通过pip install torchview安装。使用示例：from torchview import draw_graph; draw_graph(model, input_size=(batch_size, channels), device='meta').visual_graph。
6. Visdom（实时动态可视化工具）
Visdom由Facebook开发，支持实时数据可视化（如折线图、热力图、3D点云等），适合动态更新训练过程中的指标或图像结果。它是基于Web的轻量级工具，支持远程访问。安装方式为pip install visdom，使用时通过visdom.Visdom()创建服务器，调用viz.line()等方法更新数据。
7. Captum（模型可解释性可视化工具）
Captum是PyTorch官方提供的可解释性库，用于分析模型的特征重要性和注意力机制。它支持积分梯度（Integrated Gradients）、显著性图（Saliency Maps）等方法，帮助理解模型决策过程。安装方式为pip install captum，使用示例：from captum.attr import IntegratedGradients; ig = IntegratedGradients(model); attr = ig.attribute(input, target=label)。
8. Matplotlib/Seaborn（基础数据可视化工具）
Matplotlib和Seaborn是Python常用的数据可视化库，可用于绘制训练过程中的损失/准确率曲线、特征分布直方图、相关性矩阵等。Matplotlib提供基础的绘图功能，Seaborn基于Matplotlib构建，提供更美观的主题和高级接口。安装方式为pip install matplotlib seaborn，使用示例：import matplotlib.pyplot as plt; plt.plot(epochs, train_losses, label='Train Loss'); plt.show()。