pytorch 使用tensorboard的例子

可以回答这个问题。以下是一个使用 PyTorch 和 TensorBoard 的示例代码：

import torch
from torch.utils.tensorboard import SummaryWriter

# 创建一个 SummaryWriter 对象，用于记录 TensorBoard 日志
writer = SummaryWriter()

# 定义一个简单的神经网络模型
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = torch.nn.Linear(10, 5)
        self.fc2 = torch.nn.Linear(5, 1)

    def forward(self, x):
        x = torch.nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 创建一个模型实例
net = Net()

# 定义一个输入张量
input_tensor = torch.randn(1, 10)

# 将模型和输入张量传入 SummaryWriter 对象，记录模型结构和输入张量
writer.add_graph(net, input_tensor)

# 定义一个损失函数和优化器
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01)

# 训练模型
for i in range(100):
    # 随机生成一个训练样本
    x = torch.randn(1, 10)
    y = torch.randn(1, 1)

    # 前向传播
    output = net(x)

    # 计算损失
    loss = criterion(output, y)

    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 记录损失值和训练次数到 TensorBoard
    writer.add_scalar('Loss', loss.item(), i)

# 关闭 SummaryWriter 对象
writer.close()

这个示例代码演示了如何使用 PyTorch 和 TensorBoard 记录神经网络模型的结构和训练过程中的损失值。具体来说，代码中定义了一个简单的神经网络模型，使用 SummaryWriter 对象记录了模型结构和输入张量，然后使用随机生成的训练样本训练模型，并将损失值和训练次数记录到 TensorBoard 中。