一、概述 机器学习如此复杂，训练模型的时候，摸不清背后到底是如何运行的。自己设置的参数和关键变量，如果能看到在训练时的变化情况，可以为后面的参数调优阶段提供很大的便利。 Tensorboard就是这样一个工具。 它刻意将模型抽象成图像，tensor每一步是如何流动的，一目了然。 通过适当的代码设置，还能将指定的关键变量在训练时的变化情况绘制成曲线图，以便训练完成后观察变量的变化情况，来更加准确定位问题。 这篇文章简单介绍一下tensorboard的基本用法。 二、Tensorboard使用 tensorboard（以下简称tb）的操作，从创建一个FileWriter开始。 在接下来的代码中，我参照CS231N课程的数据集例子，用tensorflow（以下简称tf）写了一个Logistic Regression，并以此来说明tb的基本用法。 用到的notebook在我的github上可以找到。使用之前，请确保执行 来创建和我一样的运行环境。如有问题，可以留言或者ISSUE。 创建好环境之后，运行 激活conda环境，然后运行 来使用本例中的notebook。 下面的示例程序用tf做了一个两层的分类网络。将下图中的数据集分类。 最终分类效果是这样的。 tb的使用，大致归纳为三步： 调用tf中的FileWriter将自己关注的数据写到磁盘 在命令行使用tensorboard –logdir /path/to/log启动tb的web app 然后在本地浏览器输入localhost:6006来使用tb 下面具体看一下怎么使用。 1.生成模型图 生成模型图只需要一句话就行。比如说，现在已经初始化好了变量，处理好了数据，部分代码如下： 准备开始训练的时候，加上一句 例如，在session开始的时候添加就好。 我们要看整个模型的图像，因此传入session.graph对象。 这时，来到命令行，切换到notebook所在的目录，然后执行 logs/summary就是代码中定义的目录路径。tb启动后会提示到浏览器用localhost:6006去打开tb应用。 在浏览器打开后，切换到GRAPH标签，看到的模型图时这样的。 这个时候其他标签还没有内容，因为还没有在代码中进行添加。 上面的图片，就是现在这个模型的原始图像，没有进行任何分组和加工。看起来很乱，有一些标签，例如slice什么的，都不知道是什么意思。 图中， 每条曲线代表tensor的流向 每个椭圆代表一个操作，如add，matmul 每个圆角矩形代表一组操作，可以双击放大，看到这个组里面的细节 整张图片可以放大缩小，随意拖动；点开每个节点，右上角都会有这个节点的详细信息 下面来加工一下，为模型图分组，让图像更加清晰有条理。 2.使用name_scope分组 调用tf.name_scope()方法来为graph分组。 我想清楚看到 输入Inputs 标签Targets 两组Weight和bias变量 两个隐藏层的输出Logits_1和Logits_2 损失函数loss 训练准确率Accuracy以及 整个训练过程Train 示例代码如下。 输入Inputs 标签Targets 两组Weight和bias变量…
Tensorflow-2-Tensorboard使用
Posted on