AutoDL实时查看tensorboard曲线情况（结合官方文档使用）

AutoDL中使用tensorboard的详细过程

使用TensorBoard的简单入门

省钱。

在autodl中快速打开tensorboard

tensorbord图

AutoDL使用教程：1.创建实例 2.使用MobaXterm连接远程服务器 3.配置环境 4.在本地浏览器实时查看tensorboard曲线

参考链接：

注意：默认情况下需将tensorboard产生的event文件保存到/root/tf-logs/路径，可以将生成的log文件拷贝至该文件夹，也可以在上文指定生成log文件路径时设置为默认路径。本文使用切换目录，指定logs目录为生成的文件夹。log_dir是log文件存放的位置，运行后会在当前目录下新建一个logs文件夹，下有train文件夹，文件夹内生成了一个文件（此时该文件为空）例如，上方创建的日志文件在logs/train/文件夹下，若更改目录到logs下，启动TensorBoard，提示访问异常。

这篇文章主要记录OpenGait开启 AutoDL 云服务器的TensorBoard 可视化的步骤和遇到的问题以及解决方式。

学习记录

讲下博主为啥选择 AutoDL，其实最开始的时候，博主有一台2070和3080Ti，但是 显存都略小，一个8G一个12G，对于稍微大点的模型，Batchsize都很小，复现论文效果很都难，特别是在自己小论文需要的时候，就真的很缺设备。没办法，老师没钱，自己也买不起，只能将目光转移至云服务，对比了阿里云、腾讯云、百度云、华为云等，价格都贵的离谱，一小时动辄20+，一天下来就400+了，太贵太贵，一篇论文下来，都可以买两台显卡了。此外还有Colab 等云服务，不过没怎么体验过。当然了，如果小伙伴们用的是。

AutoDL帮助文档

本文提供在AutoDL云GPU平台上配置和使用TensorBoard的完整实战指南。详细介绍了从环境准备、安装、代码埋点记录数据，到启动服务并通过AutoDL自定义服务访问可视化的全流程。重点解决了云环境下训练监控的痛点，帮助用户实时掌握模型训练状态，提升炼丹效率与资源利用率。

本文详细介绍了如何在AutoDL云GPU平台上使用TensorBoard替代WandB进行模型训练监控。通过环境准备、代码集成、服务启动等步骤，手把手教你搭建稳定、可控的本地可视化方案，充分利用TensorBoard零延迟、数据隐私和离线可用的优势，提升在AutoDL上的深度学习实验效率。

查看是否可以进入base环境，可以的话就是成功了。键入编辑模式 在最后添加。pytorch直接去找。

pytorch使用tensorboard+AutoDL中如何使用tensorboard

在反向传播后面，添加#输出loss writer.add_scalar。在模型初始化下面，添加#输出模型结构 writer.add_graph。这里要注意，如果cuda可用，要转换成cuda类型，否则用cpu模型。刷新网页，就可以看到历史版本曲线，可以选择要显示的版本，就行对比分析。这里batch=100，下面图片显示100个28*28的小图拼接而成。在前前向传播前面，添加#输出图像 writer.add_image。将历史生成的log,分别放在不同的文件夹里，每个文件件放一个，如图。

0、前言 可视化各个监控指标的使用，分别对以下选项卡进行介绍，TensorFlow 版本不一样会导致该界面也略有不同， 0.9.0 版本的 TensorFlow 有 5 个分栏，分别是SCALARS（标量）、 IMAGES（图片）、 AUDIO（音频）、 GRAPHS（计算图）、 DISTRIBUTIONS（数据分布）、 HISTOGRAMS（直方图）和EMBEDDINGS （嵌入向量） 0.1、SCALARS（标量数据折线图可视化） 选项卡 常用！！！打开的 Tensor Board 界面会默.