我们经常使用Pytorch来搭建我们的神经网络进行相关的研究，训练神经网络的过程中，不可避免的要观察loss与accuracy的变化过程，来检验我们算法的有效性，并进行参数的调整，以期获得更高的准确率。
可是，面对着loss与accuracy干巴巴的数字，我们不免的会泛起头疼，无法很直观的观察出二者的变化规律，更无法快捷的比较出不同神经网络中，loss与accuracy的优劣异同。
为了在pytorch中，对Loss与Accuracy进行可视化，我们接下来引入Tensorflow中的一个组件Tensorboard，来对结果进行可视化。
首先我们通过以下方式来导入tensorboard的库（不需要安装Tensorflow）：
from torch.utils.tensorboard import SummaryWriterSummaryWriter函数包含两个参数：
log_dir：tensorboard文件的存放路径
flush_secs：表示写入tensorboard文件的时间间隔
一般使用时，为其设置log_dir参数即可：
writer = SummaryWriter('record/loss')由于本章主要介绍可视化准确率和损失，所以主要介绍add_scalar()方法，该函数有三个参数：
tag：标签（图的名称）
scalar_value：标签的值（y）
global_step：标签的x轴坐标
writer.add_scalar('Train_loss', loss, epoch)该行代码每个epoch执行一次，即可实现loss的可视化（accuracy同理）
代码执行完毕后，在目标文件夹下会出现一个新的任务文件。接下来使用以下命令来查看可视化的结果：
tensorboard --logdir=D:\record\loss这里的logdir即之前设置的任务文件存储的位置。
接着，访问终端给出的网址，即可进入tensorboard界面：
下面是一个样例结果截图：
Tensorboard整体的界面如下图所示：
左边栏目可以进行一些设置，如显示下载链接，曲线平滑化，横轴显示度量等，同时在左边栏目最下方，通过勾选，可以将多个文件的loss或accuracy显示在同一张图上，并通过不同的颜色来进行区分。同时，鼠标在图上滑动上，会为你显示出一系列对应点的值，十分的丝滑过瘾。
通过以上一系列的操作过后，我们的结果便十分完美的呈现在了我们的眼前，让我们对结果的变化过程有了一个更加清晰准确的认识。是不是很easy且perfect？
