在深度学习领域，模型训练是一个必须的过程，因此常常需要实时监听并可视化一些数据，如损失值loss，正确率acc等。在Tensorflow中，最常使用的工具非Tensorboard莫属；在Pytorch中，也有类似的TensorboardX，但据说其在张量数据加载的效率方面不如visdom。visdom是FaceBook开发的一款可视化工具，其实质是一款在网页端的web服务器，对Pytorch的支持较好。
visdom启动命令
python -m visdom.server --port 端口号
开启之后，将会在服务器本地 http://localhost:端口号 中显示当前visdom服务
远程连接该端口 基于ssh直接连接
ssh -L 本地端口号:localhost:服务端口号 -p ssh登录端口号 用户名@服务器地址
上述命令将本地端口号与服务端口号相连接，同时通过ssh登录端口号进行登录验证。这样就可以在本地访问远程特定端口了
MobaXterm等效操作
打开tools中的MobaSSHTunel
新建Tunel，在forward port中填希望本地和远程连接的端口
在SSH设置中填写，SSH服务器的地址、登录用户、以及ssh登录的端口
在remote server中填写服务器本地的地知，localhost：127.0.0.1以及它的服务端口（即刚才visdom的服务端口）
TensorboardTensorBoard是一个可视化工具，它可以用来展示网络图、张量的指标变化、张量的分布情况等。特别是在训练网络的时候，我们可以设置不同的参数（比如：权重W、偏置B、卷积层数、全连接层数等），使用TensorBoader可以很直观的帮我们进行参数的选择。
本系列文章一共四篇，由浅入深，以常见的Mnist数据集为实验对象，从实现最简单TensorBoard开始，逐步增加参数、复杂度，最后实现使用TensorBoard工具可视化调参的功能。
TensorBoard的使用一共可分成四步：
设置保存路径：tenboard_dir = ‘./tensorboard/test1/’
指定一个文件用来保存TensorFlow的图：writer = tf.summary.FileWriter(tenboard_dir + hparam)
把图add进去：writer.add_graph(sess.graph)
进入test1文件夹的上一层文件夹，在DOS窗口运行命令：
tensorboard --logdir=./test1 --port 服务端口号
后续和visdom操作相同
总结连接本地与远程需要理解两件事：
第一件 SSH在其中起到的作用：SSH server做为一个特定的登录结点，对应着远程服务器的一个特定端口，本地首先是和SSH server相连接才能和服务器内部连接
第二在服务器中visdom和tensorboard需要另外一个特定的端口提供服务，第二步需要将服务端口和本地端口相连接
