怎么查看tensorboard文件夹下的log文件

要查看 TensorBoard 日志文件（通常是 events.out.tfevents... 之类的文件），最方便、最常用的方式就是直接用 TensorBoard 本身来可视化；如果你只是想快速「看一眼」文件里记录了什么，也可以用一些脚本工具读取。下面给你几种常用方法，按场景从简单到进阶排个序：

---

1. 用 TensorBoard 本身查看

1. 终端进入项目目录

   bash
   cd /path/to/your/project

2. 启动 TensorBoard

   bash
   tensorboard --logdir=./tensorboard   # 假设日志文件都在 tensorboard/ 目录

   • 如果你用的是 Windows PowerShell 或 CMD，一样直接敲命令即可。
3. 浏览器打开
   终端会打印一行类似

   TensorBoard 2.15.1 at http://localhost:6006/  (Press CTRL+C to quit)
   

   在浏览器里访问那个 URL ，就能看到所有标量、损失曲线、图结构、直方图等。

小贴士：--port 可以改端口；--bind_all 可以让局域网其他机器访问。

---

2. 只想「看一下」事件文件里包含哪些标量

如果你更想在脚本里读出具体数值，比如做二次分析或画自定义图，可以用 TensorBoard 官方的 event_accumulator，或第三方库 tensorboardX。下面给个最常用的官方示例（需要 tensorboard >= 2.x）：

python
from tensorboard.backend.event_processing import event_accumulator

log_path = "./tensorboard"   # 你的 LogDir
ea = event_accumulator.EventAccumulator(
        log_path,
        size_guidance={  # 限制每种事件的加载数量；0 表示全部加载
            event_accumulator.SCALARS: 0,
            event_accumulator.IMAGES: 0,
            event_accumulator.HISTOGRAMS: 0,
        })

ea.Reload()  # 解析事件文件

# 列出所有 scalar tag
print("Scalar tags:", ea.Tags()['scalars'])

# 取出 tag="train/loss" 的所有 (step, value)
loss_events = ea.Scalars('train/loss')
for e in loss_events:
    print(e.step, e.value)

---

3. 如果需要在 Jupyter 里嵌入可视化

python
%load_ext tensorboard
%tensorboard --logdir ./tensorboard --port 6006

• 在 Colab 或本地 Jupyter 都可以直接 inline 预览。

---

4. 常见排错

现象	可能原因	解决办法
浏览器打开后空白 / 不显示曲线	日志目录写错，或训练脚本还没写入事件文件	确认 --logdir 路径；训练代码里要有 SummaryWriter / tf.summary 写日志
端口被占用	本机已有其它服务占用 6006	tensorboard --logdir=... --port 7007
同一目录下混入过期事件文件导致报错	版本迁移不兼容	清理旧日志，或给每次训练用独立子目录

---

一句话总结

最简单：tensorboard --logdir=你的日志目录，然后浏览器看；
想脚本里读数：用 event_accumulator 或 tensorboardX 解析 events.out.tfevents.* 文件。

希望能帮你快速找到并查看日志！如果在使用过程中还有具体报错或数据解析需求，随时再问～

不会——wandb login 跟你当前激活的 conda 环境并没有直接关系。
原因在于 W&B 把登录信息写在与你的 Python 虚拟环境无关的「用户级」位置：

存储方式	说明
~/.netrc	保存 API key （旧版/兼容做法）GitHub
~/.config/wandb/settings	保存默认实体、项目等偏好设置
环境变量 WANDB_API_KEY	临时或脚本级覆盖；只对 当前 shell / 进程 生效Weights & Biases Documentation Weights & Biases Documentation

因此：

• 只要你在某个终端里执行过 wandb login 并把 key 写进 ~/.netrc（或用 Web 登录写进 ~/.config/wandb），以后无论切到哪个 conda env、甚至换成别的虚拟环境，都默认沿用同一账号。

• 如果你希望 不同 conda 环境用不同账号，有两种常见做法

  1. 显式设置环境变量

     bash
     # 在 env_A 下
     conda activate env_A
     export WANDB_API_KEY=key_for_account_A
     python train.py

     对另一环境同理。只影响当前 shell 及其子进程，不写磁盘。
  2. 切换登录
     在需要的时候运行 wandb login --relogin 输入另一账号的 key，或手动编辑/备份 ~/.netrc。

• 如果想「登出」，删除相应文件或变量即可

  bash
  unset WANDB_API_KEY          # 清掉临时环境变量
  sed -i '/api.wandb.ai/d' ~/.netrc   # 从 netrc 去掉 wandb 那行
  rm -rf ~/.config/wandb        # 可选：重置本地配置

小结

wandb login 默认是 用户层面的持久登录，跟你切换哪一个 conda 环境没有必然联系；要让不同环境用不同账号，就用 WANDB_API_KEY 环境变量或者 wandb login --relogin 来显式控制即可。

下面给出一个最小改动的示例，把 PSNR 值按 1 000 步收集到 psnr_history 列表里，训练结束后用 matplotlib 画折线图，并把 图像文件 + 对应 CSV 表格 都保存到指定目录：

python
import os
import torch
import pandas as pd
import matplotlib.pyplot as plt

# ------------- 在训练循环外先准备一个列表 -------------
psnr_history = []          # [(iter, psnr), ...]

# ------------- 你原来的训练循环片段 -------------
for iteration in range(total_iters):
    ...
    if iteration % 1000 == 0 and 5000 <= iteration <= debug_params["saving_iterations"][-1]:
        with torch.no_grad():
            psnrs_iter = []
            dataset_test = dataset
            dataset_test.source_path = '/home/myData/storage/xmh_code/multiscaleGS/data/mill19/rubble-pixsfm/val'
            gs_dataset_test = ScaleDataset(scene.getTestCameras(), scene, dataset_test, pipe)
            data_loader_test = CacheDataLoader(gs_dataset_test,
                                               batch_size=1,
                                               max_cache_num=21,
                                               shuffle=False,
                                               num_workers=1)

            for img_idx, (cam_info, gt_image) in enumerate(data_loader_test):
                image, _, _, _ = render_scale(gaussians, cam_info, pipe, background,
                                              scale_factors, 3)
                psnrs_iter.append(psnr(image[None, ...], gt_image[-1][None, ...].cuda()))

            mean_psnr_iter = torch.tensor(psnrs_iter).mean().item()
            print(f"[Iteration {iteration}] PSNR: {mean_psnr_iter:.7f}")

            # --------- 记录下来 ----------
            psnr_history.append((iteration, mean_psnr_iter))

# ------------- 训练结束后可视化并保存 -------------
save_dir = "/home/myData/storage/xmh_code/multiscaleGS/plots"   # 改成自己想要的路径
os.makedirs(save_dir, exist_ok=True)

# 转成 DataFrame，既方便保存也方便画图
df = pd.DataFrame(psnr_history, columns=["iteration", "psnr"])

# 折线图
plt.figure(figsize=(8, 4))
plt.plot(df["iteration"], df["psnr"], marker="o")
plt.title("PSNR over Iterations")
plt.xlabel("Iteration")
plt.ylabel("PSNR")
plt.grid(True)
plt.tight_layout()
plt.savefig(os.path.join(save_dir, "psnr_curve.png"), dpi=300)
plt.close()

# 同时把数值表格也存一下
df.to_csv(os.path.join(save_dir, "psnr_values.csv"), index=False)

print(f"✅ 已保存折线图和 CSV 到: {save_dir}")

说明

步骤	重点
1. 初始化	psnr_history = [] 放到训练循环之前。
2. 记录	每次评价均值 mean_psnr_iter 后 append((iteration, mean_psnr_iter))。
3. 可视化	训练结束后一次性调用 matplotlib 画线；用 marker='o' 让折点清晰。
4. 保存	plt.savefig(...) 保存 PNG，高分辨率可调 dpi；df.to_csv(...) 方便以后再分析。
5. 路径	目录不存在用 os.makedirs(..., exist_ok=True) 自行创建。

这样代码逻辑清晰、改动最小，后续如果想在训练中实时更新图表，也可以把画图部分挪到验证段落里（比如每 N 个 iteration 重新绘制并覆盖旧文件）。祝实验顺利！