告别 TensorBoard 依赖！用纯 Python 脚本提取训练指标并绘制学习曲线（兼容 NumPy 2.x）在深度学习模型训练时，TensorBoard 绝对是我们离不开的可视化神器。但有时候，我们可能会遇到这些场景：服务器没有图形界面：在远程 Linux 服务器上跑训练，想直接导出图片发回本地看。需要自动化分析：想把训练日志里的 Loss、准确率等数据提取出来，存成 CSV 或者转成 Pandas DataFrame 做进一步的数据处理。环境依赖冲突：不想为了读个日志文件去安装庞大的 TensorBoard 库，或者遇到了 NumPy 2.x 版本不兼容的报错。今天，就给大家分享一段纯 Python 脚本！它完全不依赖 TensorBoard 的EventAccumulator模块，而是直接通过解析底层的tfevents二进制文件来提取数据，并且完美兼容最新的 NumPy 2.x 版本。核心代码实现这段代码主要做了三件事：自动扫描指定目录下的所有tfevents日志文件。绕过 TensorBoard 官方 API，直接利用struct和event_pb2解析底层二进制流，提取出step、tag和具体的数值。使用 Matplotlib 绘制带有 EMA（指数移动平均）平滑处理的学习曲线。""" 从 TensorBoard 事件文件提取训练指标并绘制学习曲线。 兼容 NumPy 2.x（不依赖 tensorboard 的 EventAccumulator）。 """importosimportstructimportglobimportnumpyasnpimportmatplotlib matplotlib.use("Agg")# 无头后端，适合服务器/后台importmatplotlib.pyplotaspltfromtensorboard.compat.protoimportevent_pb2defread_tfevents(path:str):"""逐条解析 tfevents 文件，yield (wall_time, step, tag, scalar_value)."""withopen(path,"rb")asf:whileTrue:len_bytes=f.read(8)iflen(len_bytes)8:break(length,)=struct.unpack("Q",len_bytes)f.read(4)# length crc，跳过校验data=f.read(length)f.read(4)# data crc，跳过校验iflen(data)length:breakevent=event_pb2.Event()event.ParseFromString(data)forvalueinevent.summary.value:ifvalue.HasField("simple_value"):yieldevent.wall_time,event.step,value.tag,value.simple_value