入门tensorflow教程之TensorBoard可视化模型训练

时间:2021-12-14 23:33:16

 

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])

入门tensorflow教程之TensorBoard可视化模型训练

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) 

入门tensorflow教程之TensorBoard可视化模型训练

入门tensorflow教程之TensorBoard可视化模型训练

如果训练迭代5k到55k,

 

TensorBoard会给出测试集的大概结果

入门tensorflow教程之TensorBoard可视化模型训练

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_profilerTensorBoard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服务器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服务器之家!

原文链接:https://maoli.blog.csdn.net/article/details/119258143