tensorflow教程TensorBoard可视化模型训练 入门tensorflow教程之TensorBoard可视化模型训练
刘润森！ 人气:0想了解入门tensorflow教程之TensorBoard可视化模型训练的相关内容吗，刘润森！在本文为您仔细讲解tensorflow教程TensorBoard可视化模型训练的相关知识和一些Code实例，欢迎阅读和指正，我们先划重点：TensorBoard可视化模型训练,tensorflow教程，下面大家一起来学习吧。
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
http://pytorch.org/tutorials/intermediate/tensorboard_profiler_tutorial.html
加载全部内容