Ubuntu中PyTorch常用的可视化工具及特性
TensorBoard是PyTorch官方原生支持的可视化工具，专注于深度学习训练过程的监控与分析，是PyTorch开发中最常用的工具之一。其核心功能包括：绘制训练/验证损失、准确率等指标的曲线图，展示模型参数（如权重、偏置）的分布直方图，可视化计算图（展示数据在模型中的流动路径），以及对比不同实验的效果。
tensorboard包（pip install tensorboard）。SummaryWriter，创建日志记录器（指定日志保存路径，如runs/experiment-1）；在训练循环中通过add_scalar（记录标量指标）、add_histogram（记录参数分布）、add_graph（记录计算图）等方法写入数据；训练结束后，终端运行tensorboard --logdir=runs启动服务，在浏览器访问localhost:6006查看可视化界面。Matplotlib是Python最基础的可视化库，适合绘制静态、动态的简单图形，常用于快速展示训练过程中的损失/准确率变化、模型参数的统计分布等。其优势在于灵活性高，支持自定义图形样式（如颜色、标签、图例），但交互性较弱。
matplotlib包（pip install matplotlib）。plot函数绘制损失/准确率曲线（如训练集与验证集的对比）；用hist函数绘制模型参数的直方图（查看参数分布是否合理）；用scatter函数可视化高维数据的降维结果（如PCA后的特征分布）。Seaborn是基于Matplotlib的高级可视化库，提供了更美观的主题、更简洁的API，适合快速生成复杂的统计图形。其核心功能包括：绘制带核密度估计（KDE）的分布曲线、热力图（展示特征相关性）、 pairplot（多变量关系分析）等，能更直观地呈现数据的统计特性。
seaborn包（pip install seaborn）。sns.histplot绘制带KDE的损失分布曲线（更清晰地观察概率密度）；用sns.heatmap绘制模型参数的相关性热力图（识别高度相关的参数）；用sns.pairplot可视化输入特征之间的两两关系（如图像像素的相关性）。PyTorchviz是专门用于可视化PyTorch模型计算图的工具，能清晰展示模型的前向传播过程（数据从输入层到输出层的流动路径）以及各层之间的依赖关系，帮助开发者理解模型的架构和数据流向。
torchviz包（pip install torchviz）。input_tensor = torch.randn(1, 3, 224, 224)）；调用make_dot函数（传入模型输出和参数字典dict(model.named_parameters())）生成计算图对象；通过render方法将图形保存为PDF/PNG文件（如dot.render("model", format="pdf")）。Netron是一款跨平台的深度学习模型可视化工具，支持PyTorch、TensorFlow、ONNX等多种框架的模型文件（如.pt、.pth、.onnx），能直观展示模型的网络结构（如层类型、连接方式、参数数量），适合快速检查模型架构是否符合预期。
netron包（pip install netron），或直接下载其桌面应用。netron model.pt --port 8080）；在浏览器访问localhost:8080，即可查看模型的结构可视化界面（支持缩放、拖动、点击层查看详细信息）。Torchinfo（原名torch-summary）用于打印PyTorch模型的详细信息，包括每层的类型、输入/输出形状、参数数量（可训练/不可训练）、模型总参数量等，帮助开发者快速了解模型的规模和复杂度，避免因模型过大导致的过拟合或训练效率低下。
torchinfo包（pip install torchinfo）。summary函数，传入模型实例和输入形状（如summary(model, (3, 224, 224))，其中(3, 224, 224)为输入图像的通道数、高度、宽度）；运行后会打印模型的分层信息（如卷积层的输出通道数、全连接层的参数数量）。Visdom是Facebook开源的实时可视化工具，支持动态更新图形（如实时绘制训练损失曲线），适合监控长时间运行的训练过程。其核心功能包括：绘制折线图、散点图、图像、文本等，支持多窗口布局和实时数据推送。
visdom包（pip install visdom）。python -m visdom.server）；在PyTorch代码中导入visdom模块，创建客户端对象（vis = visdom.Visdom()）；通过vis.line（绘制折线图）、vis.image（显示图像）等方法实时更新可视化内容（如每轮训练后更新损失曲线）。