在训练神经网络时，我们希望能够直观地训练情况，例如损失函数的曲线、输入的图像、模型精度等信息，这些信息可以帮助我们更好地监督网络的训练过程，并为参数优化提供方向和依据。

本文提供一个更为专业的操作，它是一个常用的可视化工具：TensorBoard，下面将利用TensorBoard来实现可视化网络模型结构操作。

PyTorch已经内置了TensorBoard的相关接口，用户在安装后便可调用相关接口进行数据可视化。

pytorch使用TensorBoard可视化网络模型结构_可视化工具

data_transform = T.Compose([
        T.ToTensor(),
        T.RandomResizedCrop(32),
        T.Normalize((0.5,), (0.5,))
])

train_dataset = torchvision.datasets.MNIST('./', train=True, transform=data_transform)
val_dataset = torchvision.datasets.MNIST('./', train=False, transform=data_transform)

train_loader = torch.utils.data.DataLoader(train_dataset, 16)
val_loader = torch.utils.data.DataLoader(val_dataset, 16)

images, labels = next(iter(train_loader))

logger = SummaryWriter(log_dir='./log')
logger.add_graph(model, images)

我们只需要传入模型，以及模型的输入信息即可，其实上述代码不一定要传入images，其实可以随意创建一个张量即可，它的意义就是要告诉模型的输入形状，我们可以使用下面代码代替：

logger = SummaryWriter(log_dir='./log')
logger.add_graph(model, torch.randn(32, 1, 32, 32))