TensorBoard是用于可视化图形
和其他工具以理解、调试和优化模型的界面。
它是一种为机器学习工作流提供测量和可视化的工具。
它有助于跟踪损失和准确性、模型图可视化、低维空间中的项目嵌入等指标。
下面，我们使用MNIST 数据的图像分类模型 ，将首先导入所需的库并加载数据集。
模型的建立使用最简单的顺序模型
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 训练模型时，
创建了一个 tensorboard 回调
以确保将指标记录在指定的目录中。
这里保存到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，并不支持使用终端
对于 Windows 用户：tensorboard --logdir= logs/fitg
Tensorboard 位于：http://localhost:6006
如果使用colab，需要加载TensorBoard扩展程序
%load_ext tensorboard
%tensorboard --logdir logs/fit
from tensorboard import notebook
notebook.list
notebook.display(port=6006, height=1000)
如果训练迭代5k到55k，
TensorBoard会给出测试集的大概结果
如果在torch中是使用TensorBoard，在PyTorch 1.8.1 版本的发布，需要使用 PyTorch Profiler，
需要安装torch_tb_profiler。
torch_tb_profiler是TensorBoard的一个插件，可以可视化GPU的情况，
具体参考官方教程
https://pytorch.org/tutorials/intermediate/tensorboard_profiler_tutorial.html
https://github.com/pytorch/kineto/tree/main/tb_plugin
到此这篇关于小白入门学习TensorBoard可视化模型训练的文章就介绍到这了,更多相关TensorBoard可视化模型训练内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
您可能感兴趣的文章:- TensorBoard 计算图的可视化实现
- Tensorflow的可视化工具Tensorboard的初步使用详解
- Tensorflow 自带可视化Tensorboard使用方法(附项目代码)
- TensorFlow可视化工具TensorBoard默认图与自定义图
