Tensorboard可视化利用pytorch训练好的网络，Tensorboard可视化网页可以打开但是出现：No dashboards are active for the current data

最新推荐文章于 2026-08-23 20:15:08 发布
原创 最新推荐文章于 2026-08-23 20:15:08 发布 · 344 阅读 · 0
在Win11环境下，使用Python3.9、PyTorch1.13.1、TensorboardX2.6和Tensorboard2.12.0进行深度学习训练时，遇到Tensorboard显示"No dashboards are active for the current data"的问题。通过检查发现，错误在于启动Tensorboard时指定的日志路径不正确，应指向日志文件夹而非具体日志文件。正确命令如：tensorboard --logdir=E:PythonWorkSpacepytorch_projectpytorch_demolog，解决了问题。

基本环境：

win11  python3.9  pytorch 1.13.1  tensorboardX 2.6 tensorboard 2.12.0  conda 22.11.1

问题描述：

用pytorch框架搭建了一个简单的MNIST手写字体识别网络，利用tensorboardX将网络训练过程保存到日志文件中

日志保存的文件路径如下图：

 由于tensorboardX、tensorboard都是通过conda安装的，因此激活conda环境，在conda命令行下

使用tensorboard --logdir命令，但是执行命令行后打开生成的网址出错

标签
#pytorch #深度学习 #python #卷积神经网络
了解本专栏 订阅专栏 解锁全文 超级会员免费看
pwscf与wannier90 Hands-On实战训练（一）——费米面计算为例
weixin_45973682的博客
08-21 5039
系列文章目录 Quantum Espresso Hands-On实战训练（三）——DOS计算 文章目录系列文章目录计算过程pwscf直接得到等能面pwscf和wannier90得到等能面pwscf直接得到等能面1. scf2. nscf3. 后处理pwscf和wannier90得到等能面1. Kpoints2. scf3. nscf4. pw2wan及wannier90.x5. XCrySDen可视化 计算过程 pwscf直接得到等能面 pwscf和wannier90得到等能面 pwscf直接得到等能面
从零开始安装完整的人工智能开发环境（Python开发环境 + PyTorch + IDE）
最新发布
直到世界的尽头
08-23 22
进行人工智能算法研发，开发环境的搭建是必须经历的环节。本文介绍安装完整的Python开发环境 + PyTorch + IDE的详细从0到1的步骤。整体安装路线图步骤是1、安装Anaconda+Python2、安装IDE3、安装PyTorch GPU4、验证环境。
tensorboard可视化出现No dashboards are active for the current data set错误的解决和其它情况
spider_man
11-06 3279
第一种情况，路径不对 测试代码 import tensorflow as tf # 定义一个简单的计算图，实现向量加法的操作。 input1 = tf.constant([1.0, 2.0, 3.0], name = 'input1') input2 = tf.Variable(tf.random_uniform([3]), name = 'input2') output = tf.add...
统计学习导论（ISLR） 第四章分类算法课后习题
热门推荐
阿里云专家博主、数据科学领域优质创作者、统计er在读
03-26 2万+
统计学习导论(ISLR) 参考资料: The Elements of Statistical Learning An Introduction to Statistical Learning 统计学习导论（ISLR）（二）：统计学习概述 统计学习导论（ISLR）（三）：线性回归 统计学习导论（ISLR）（四）：分类 ISLR统计学习导论之R语言应用（二）：R语言基础 ISLR统计学习导论之R语言应用（三）：线性回归R语言代码实战 ISLR统计学习导论之R语言应用（四）：分类算法R语言代码实战 统计学习导论
解决TensorBoard可视化报错：“No dashboards are active for the current data set.”
qq_55491011的博客
07-24 4667
1.命令中的路径不对1.详细参照这篇博文吧）所以最好直接如下'logdir='+事件日志文件所在文件的名字(也不需要添加引号啥的)，如下图命令即为tensorboard--logdir=logs_maxpool。近期在跟着B站土堆大佬学习pytorch入门，用TensorBoard进行操作的可视化展示，之前一直都使用的很好，今天进行“最大池化——图片‘马赛克’处理”的时候，突然报错出现如下界面.(图片是直接使用。3.最关键是在最外层文件夹里面的文件夹里面创建了logs文件，如下图。...
tensorBoard在Windows平台上的安装与使用（详解）
梧桐林木
02-03 1万+
TensorBoard目的是为了可视化TensorFlow训练神经网络等复杂操作的整个过程，可以更好的理解神经网络的整个过程，调试并优化程序。 下面我们讲讲TensorBoard在Windows平台上的安装及使用。 一、TensorBoard的安装。 TensorBoard可视化的本质是显示TensorFlow程序配置的操作形成的日志（logs）文件。 1. 打开日志路径。一般的，Tens
【深度学习】（四）案例：基于PyTorch的全连接神经网络实现手机价格区间预测
2503_91504671的博客
08-20 328
Jones创办了一家二手手机公司，在经营过程中遇到了一个核心难题：如何准确估算二手手机的合理售价。为了解决这个问题，他系统性地收集了多家手机销售公司的历史交易数据。该数据集包含了二手手机的各项性能指标，以及对应的最终成交价格区间。价格被划分为0、1、2、3四个等级，分别代表从低到高的价格范围，这使得问题本质上成为一个多分类任务，而非传统的回归预测问题。特征名称含义说明单位电池总容量毫安时（mAh）blue是否支持蓝牙布尔值处理器主频GHzdual_sim是否支持双卡布尔值fc。
PyTorch-学习笔记
qq_64851111的博客
08-23 192
PyTorch 是一个开源的机器学习框架，目前最主流的深度学习框架之一。
MSE / Cross‑Entropy / Huber / Focal Loss深度实战｜损失函数数学原理、PyTorch踩坑、项目选型与排障
分享日常学习生活
08-18 463
深度学习训练loss不下降、震荡、精度上不去，很多时候不是网络结构问题，而是损失函数选择错误。本文结合论文理论与图像分类、目标检测、回归任务线上调参经验，完整拆解MSE、交叉熵、Huber、Focal Loss四大损失函数数学本质；梳理PyTorch原生API高频踩坑；给出Huber的delta、Focal Loss的\(\gamma\)工业调参方案；提供任务选型决策表、训练故障排查清单；附带可运行梯度对比实验代码，帮助开发者根据任务、噪声、样本不平衡快速选对损失函数。
Python-pytorch-模型保存与加载
2503_93504766的博客
08-19 310
PyTorch模型保存与加载指南 本文详细介绍了PyTorch中模型参数的保存与加载方法： 核心概念：模型参数存储在state_dict字典中，包含各层名称与参数张量的映射关系 推荐保存方式： 仅保存state_dict（文件小、跨平台） 避免保存整个模型（依赖代码结构） 训练检查点： 保存模型参数、优化器状态、epoch数和损失等完整训练状态 实现训练中断后恢复功能 设备映射： 处理CPU/GPU间的模型加载问题 提供map_location参数控制加载位置 迁移学习： 加载预训练模型并修改输出层 展示冻
Day 24：GoogLeNet与Inception — 多尺度特征融合
2603_95724866的博客
08-20 293
本文介绍了Inception模块的设计哲学及其在GoogLeNet中的应用。Inception通过并行使用不同尺度的卷积核（1×1、3×3、5×5）和池化层来捕捉多尺度特征，并通过1×1卷积降维大幅减少计算量。文章详细对比了朴素Inception与优化版本的计算效率差异，展示了1×1卷积的"bottleneck"设计如何将5×5分支参数量减少90%。此外，还介绍了Inception v2/v3的改进，包括将大卷积核分解为小卷积堆叠（5×5→两个3×3）和空间可分离卷积（3×3→1×3+3×1），进一步提升了
Python-pytorch-GPU加速
2503_93504766的博客
08-19 310
本文介绍了PyTorch的GPU加速技术，主要包括以下内容： GPU状态检查：通过torch.cuda模块查看GPU可用性、数量、名称、显存等信息。 张量GPU迁移：使用.to()、.cuda()等方法将张量和模型移动到GPU设备上。 多GPU训练： DataParallel（简单但不推荐）：单进程处理，主GPU负载重 DistributedDataParallel（推荐）：多进程并行，每个GPU独立进程，支持单机/多机训练 混合精度训练：利用autocast和GradScaler实现FP16/FP32混合
PyTorch 模型导出与部署实战：ONNX + onnxruntime（可直接落地）
qq_51946265的博客
08-18 544
摘要：本文介绍了如何将PyTorch训练好的模型导出为ONNX格式，并通过onnxruntime部署为HTTP服务，实现快速交付。主要内容包括：1）ONNX格式的优势（轻量、跨平台）；2）使用torch.onnx.export导出模型的关键步骤（eval()、动态维度设置）；3）验证ONNX模型与原始模型输出的一致性；4）用FastAPI封装推理接口，简化部署流程（仅需3个文件交付）。文章还总结了常见问题（如GPU支持、算子兼容性），提供了一套从训练到落地的完整解决方案，适合接单交付场景，提升开发效率。
Python-pytorch-高级技巧
2503_93504766的博客
08-19 211
本文介绍了PyTorch的四种高级技巧： 钩子函数（Hooks） 提供前向/反向钩子和参数钩子，无需修改模型代码即可监控梯度、提取特征或修改行为 示例包括特征可视化、梯度裁剪和中间层特征提取 性能分析（Profiling） 使用PyTorch Profiler进行详细性能分析，支持CPU/GPU计时和内存监控 提供单层FLOPs和参数统计方法 模型量化 介绍动态量化和静态量化方法，可将FP32模型转为INT8减小体积 推荐使用PyTorch 2.0的torch.compile内置量化 自定义算子 展示如何通
深度学习 & PyTorch笔记
08-18 205
深度学习基础概念、梯度下降原理 → PyTorch 框架、张量科学计算 → 网络组件、三种模型搭建方式**完整串联；同时对比传统 sklearn，厘清同义术语，配套可运行代码示例，打通理论和编程实践。
CuPy vs Numba vs PyTorch：GPU 加速方案怎么选
Z_suger7的博客
08-19 360
引言：数据进得来，才算得动大规模数据采集常被目标站点限流、封 IP、验证码拦截。企业级代理 IP 服务如可让采集在分布式节点间平滑切换出口，保障数据稳定入库。数据进来后，瓶颈转向算力——下面用代码直接对比 CuPy、Numba、PyTorch 三种上 GPU 的方式。
Python-pytorch-训练流程
2503_93504766的博客
08-18 383
PyTorch 训练流程核心要点总结： 训练循环模板： 包含模型初始化、损失函数、优化器和学习率调度器配置 典型训练步骤：清零梯度→前向传播→计算损失→反向传播→参数更新 需区分train()和eval()模式，验证阶段使用torch.no_grad() 优化器选择： 推荐SGD(momentum=0.9)用于CV任务，AdamW用于NLP/Transformer 其他变体：带nesterov的SGD、Adamax(稀疏梯度)、RMSprop(强化学习) 学习率调度： 常用策略：StepLR/MultiSt
Python-pytorch-神经网络基础
2503_93504766的博客
08-18 528
本文介绍了PyTorch神经网络的核心组件和使用方法，主要内容包括： nn.Module基类：所有模型必须继承该类，需在__init__中定义层结构，在forward中实现前向传播。 常用网络层： 线性层(nn.Linear)及其参数初始化方法 卷积层(nn.Conv2d)及其变体（如转置卷积、分组卷积） 池化层（最大池化、平均池化等） 循环神经网络（LSTM/GRU/RNN） 重要组件： 激活函数（ReLU/Sigmoid等）的函数式与模块式用法 归一化层（批归一化、层归一化等） 正则化方法（Dropou
【Pytorch】PyTorch 深度学习框架详解：从安装到实战
qq_51994713的博客
08-23 383
PyTorch 是当前学术界和工业界主流的深度学习框架之一，以动态计算图（Define-by-Run）接口简洁调试友好著称，是 Hugging Face 等主流深度学习生态的默认底层框架。本文按照安装 → 张量基础 → 自动求导 → 模型搭建 → 训练流程 → 进阶技巧的顺序讲解，所有代码均可直接复制运行。PyTorch 简介与安装张量（Tensor）基础操作自动求导机制（Autograd）神经网络模块（nn.Module）常用层与激活函数损失函数与优化器。
AI基础系列（3）| NumPy / Pandas / PyTorch 理论知识入门：数据科学与深度学习的三大基石
CIO_Alliance的博客
08-18 219
本文系统梳理了NumPy、Pandas和PyTorch三大Python库的核心理论，为企业AI转型提供技术支撑。NumPy的ndarray、向量化运算和广播机制构成数值计算基础；Pandas通过索引对齐和分组聚合处理结构化数据；PyTorch的动态计算图实现自动微分与GPU加速。三者相互补充，形成完整AI技术栈。文章强调理解底层原理的重要性，建议从业者从基础数组操作逐步深入至神经网络构建，并针对常见问题提供解决方案。随着AI技术普及，掌握这些核心库的底层理论将成为开发高效可靠AI系统的关键。
Nano-VLLM全代码解析笔记(6)-embed_head和linear
m0_62890769的博客
08-23 194
🔗下一篇：[系列(3)实战演练](https://blog.csdn.net/xxx/article/details/xxxxxx)🔗上一篇：[系列(1)开篇](https://blog.csdn.net/xxx/article/details/xxxxxx)[系列(2) 核心原理](https://blog.csdn.net/xxx/article/details/xxxxxx)[系列(1) 开篇](https://blog.csdn.net/xxx/article/details/xxxxxx)
s7canopener v1.30.rar_S7 Can opener_S7CanOpener_s7canopener.exe
去加密，解锁，S7, Siemens,亲测可用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

城南皮卡丘

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值