TensorBoard是用于可視化圖形
和其他工具以理解、調(diào)試和優(yōu)化模型的界面。
它是一種為機器學(xué)習(xí)工作流提供測量和可視化的工具。
它有助于跟蹤損失和準(zhǔn)確性、模型圖可視化、低維空間中的項目嵌入等指標(biāo)。
下面，我們使用MNIST 數(shù)據(jù)的圖像分類模型 ，將首先導(dǎo)入所需的庫并加載數(shù)據(jù)集。
模型的建立使用最簡單的順序模型
import tensorflow as tf
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()
from tensorflow.keras.utils import np_utils
X_train=X_train.astype('float32')
X_test=X_test.astype('float32')
X_train/=255
X_test/=255
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1).astype('float32')
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1).astype('float32')
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)
model = Sequential()
model.add(Convolution2D(32, 3, 3, input_shape=(28, 28, 1)))
model.add(Activation('relu'))
model.add(Dropout(0.25))
model.add(Convolution2D(32, 3, 3))
model.add(Activation('relu'))
model.add(Convolution2D(32, 3, 3))
model.add(Activation('relu'))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128))
model.add(Dense(128))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
keras API 訓(xùn)練模型時，
創(chuàng)建了一個 tensorboard 回調(diào)
以確保將指標(biāo)記錄在指定的目錄中。
這里保存到logs/fit
import datetime
!rm -rf ./logs/
log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback=tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)
model.fit(x=X_train, y=y_train,epochs=30,validation_data=(X_test, y_test), callbacks=[tensorboard_callback])
如果使用colab，并不支持使用終端
對于 Windows 用戶：tensorboard --logdir= logs/fitg
Tensorboard 位于：http://localhost:6006
如果使用colab，需要加載TensorBoard擴展程序
%load_ext tensorboard
%tensorboard --logdir logs/fit
from tensorboard import notebook
notebook.list
notebook.display(port=6006, height=1000)
如果訓(xùn)練迭代5k到55k，
TensorBoard會給出測試集的大概結(jié)果
如果在torch中是使用TensorBoard，在PyTorch 1.8.1 版本的發(fā)布，需要使用 PyTorch Profiler，
需要安裝torch_tb_profiler。
torch_tb_profiler是TensorBoard的一個插件，可以可視化GPU的情況，
具體參考官方教程
https://pytorch.org/tutorials/intermediate/tensorboard_profiler_tutorial.html
https://github.com/pytorch/kineto/tree/main/tb_plugin
到此這篇關(guān)于小白入門學(xué)習(xí)TensorBoard可視化模型訓(xùn)練的文章就介紹到這了,更多相關(guān)TensorBoard可視化模型訓(xùn)練內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- TensorBoard 計算圖的可視化實現(xiàn)
- Tensorflow的可視化工具Tensorboard的初步使用詳解
- Tensorflow 自帶可視化Tensorboard使用方法(附項目代碼)
- TensorFlow可視化工具TensorBoard默認(rèn)圖與自定義圖
