使用 tensorboard 可视化 kears训练结果

原创

已于 2022-06-29 04:20:30 修改 · 356 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #深度学习 #机器学习

于 2022-06-29 02:09:54 首次发布

这篇博客介绍了如何使用Tensorboard进行Keras模型训练的可视化，包括安装Tensorboard、在训练模型时调用callback API记录信息、远程查看模型及在Visual Studio Code中使用Tensorboard扩展进行查看。

我们想要追踪模型的训练过程，tensorboard 是个不错的可视化工具。

安装tensorboard

还是使用conda虚拟环境，没有的话先安装conda，参考这里

conda install tensorboard

训练模型时调用callback API

训练信息会保存在 os.path.join(modelfile,‘logs’+model.name) 文件夹里

tensorboard_callback = keras.callbacks.TensorBoard(log_dir=os.path.join(modelfile,'logs'+model.name))
history = model.fit(x_tra, y_tra, epochs

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

福斯基

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

使用TensorBoard可视化模型

10-05

600

TensorBoard是一款出色的交互式的模型可视化工具。安装TensorFlow时，会自动安装TensorBoard。

Keras特征图Tensorboard可视化

等一杯咖啡的博客

11-07

1万+

前言之前在用Tensorflow框架的时候，对于特征图的可视化已经研究了一下。主要的思路其实就是将特征图展开铺平成一张大图。具体文章参考Tensorboard特征图可视化。文章主要的函数就是将特征图沿着第四通道展开，然后将其拼接。最后的返回结果 all_concact 其实还是个四维的张量，第一维是 batch_size，最后一维是 1，中间两维则是大的特征图的尺寸。 def _concact...

1 条评论您还未登录，请先登录后发表或查看评论

wins通过tensorboard可视化远程服务器训练结果

sunnygirl's house

01-17

1671

windows 利用xshell等ssh工具远程连接服务器时，可以通过如下设置可视化tensorboard 1. Xshell -> 文件 -> 当前会话属性 -> 连接 -> SSH -> 隧道点添加，之后源主机和目标主机都是localhost不变，这里注意千万别改变这两个选项，都是localhost。如图，端口号注意一致，简单起见，设为相同，注意和命令tensorboard --logdir='file' --port=6006中一致，如果出现端口号占用，换一个。

tensorboard 查看网络训练结果

xiong_hany的博客

12-11

1451

python3 /usr/local/lib/python3.5/dist-ckages/tensorboard/main.py --logdir='/home/xiong/桌面/logs' 第一步：pip list 查看tensorboard对应的python版本；（注意pip对应的python版本）第二步：找好tensorboard的安装路径我开始是直接运行python3 tensor...

通过Keras回调函数和Tensorboard来检查并监控深度学习模型

guowei_huai的博客

04-10

964

Tensorboard在深度学习中的必要性我们在训练模式的时候，很多事情一开始都无法预测。尤其是我们不知道需要多少轮才能够得到最佳验证损失。我们常常采用的策略是：训练足够多的轮次，这时模型已经开始过拟合，根据这一次运行来确定训练所需要的正确轮数，然后使用这个最佳轮数从头开始再启动一次新的训练。无疑，这种方法是非常浪费时间和资源的。处理这个问题的更好方法是，当我们观察到模型的验证损失值不再改善的时候就停止训练。我们可以通过使用Keras设计**回调函数(callback)**来实现这个过程。callbac

Pytorch tensorboard 可视化训练结果

ze1336365763的博客

01-09

906

训练模型时，导入 tensorboard. SummaryWriter 保存 loss、accuracy 等日志信息。 code # 导入SummaryWriter from torch.utils.tensorboard import SummaryWriter # 实例化 SummaryWriter writer = SummaryWriter(log_dir="./logs") # log_dir 日志存放路径 # 模型训练时，写入train_loss、test_loss、train_ac

使用 TensorBoard 可视化模型、数据和训练

bill的博客

04-07

290

In thenn.Module在中，我们将向您展示如何加载数据、将数据输入我们定义为nn.Module子类的模型、在训练数据上训练该模型以及在测试数据上测试该模型。为了了解发生了什么，我们会在模型训练时打印出一些统计数据，以了解训练是否正在进行。不过，我们可以做得更好：PyTorch 与 TensorBoard 集成，TensorBoard 是一款用于可视化神经网络训练结果的工具。本教程使用数据集说明了它的部分功能，可以使用 torchvision.datasets 将该数据集读入 PyTorch。

Keras使用TensorBoard可视化训练过程

Loy Fan

07-06

2104

添加关键代码在模型训练语句中添加回传训练信息的代码 # 每隔一个训练循环就用柱状图显示信息 callbacks = [keras.callbacks.TensorBoard(log_dir='自定义日志保存目录'.format(模型名称))] history = fashion_model.fit(训练集, 标签, epochs, batch_size, validation_split = 0...

5-4.TensorBoard可视化

zy345293721的博客

07-11

1282

Pytorch中利用TensorBoard可视化的大概过程如下：首先在Pytorch中指定一个目录创建一个torch.utils.tensorboard.SummaryWriter日志写入器。然后根据需要可视化的信息，利用日志写入器将相应信息日志写入我们指定的目录。最后就可以传入日志目录作为参数启动TensorBoard，然后就可以在TensorBoard中愉快地看片了。我们主要介绍Pytorch中利用TensorBoard进行如下方面信息的可视化的方法。

Tensorboard

2401_87706020的博客

06-09

960

Tensorboard是一个可视化的工具，能够将模型等程序运行的过程中的各种数据展现出来。借助Tensorboard我们可以实现实时监控训练过程中的各项指标（损失值、准确率等标量数据），能够以折线图的形式呈现，让训练趋势一目了然。可以在Tensorboard中查看输入的图像、生成的图像结果，以及音频波形等原始数据，增强对数据的直观认识。

模型训练结果可视化

knighthood2001

07-08

1500

📚✨🎃上文，我们返回的这样的一个数据。接着，我们需要对其进行可视化。

数据分析与可视化，模型交叉验证，特征工程

2303_77050177的博客

08-23

226

Matplotlib是画图库，Seaborn是一个建立在Matplotlib之上的高级数据可视化库。3，特征工程，提取时间特征，均值特征，频率特征。1，数据分析与可视化。

可视化模型特征提取能力

weixin_59701401的博客

07-09

798

对模型输出增加两个坐标，将每个训练批次的数据映射到二维坐标系中，通过保存每个批次的映射图，查看模型训练程度。resnet18网络代码如下：(可一键切换为其他的res网络，测试选择了速度最快的res18)可视化效果如下：( epoch = 78，使用resnet18网络)

图像处理特征可视化方法总结（特征图、卷积核、类可视化CAM）(附代码)

最新发布

08-10

使用 **TensorBoard** 可以非常直观地可视化深度学习模型的训练过程，包括损失（loss）、准确率（accuracy）、模型结构、权重分布等信息。下面我们将在使用 **TensorFlow/Keras** 构建的神经网络基础上，加入 TensorBoard 的日志记录功能，并展示如何启动 TensorBoard 查看训练过程。 --- ## ✅ 使用 TensorBoard 可视化训练过程 --- ### ✅ 1. 修改模型训练代码以记录 TensorBoard 日志我们使用 `TensorBoard` 回调函数来记录训练日志。 ```python import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.callbacks import TensorBoard from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import os from datetime import datetime # 1. 模拟数据（同上） np.random.seed(42) num_samples = 1000 exercise_minutes = np.random.randint(0, 120, num_samples) exercise_type = np.random.choice([0, 1, 2], num_samples, p=[0.5, 0.3, 0.2]) weight = np.random.normal(70, 10, num_samples) bmr = 10 * weight + 6.25 * np.random.normal(170, 10, num_samples) - 5 * np.random.normal(30, 10, num_samples) + np.random.normal(5, 2, num_samples) calories_intake = np.random.normal(2000, 300, num_samples) calories_burned = bmr * 1.2 + exercise_minutes * (2 + exercise_type * 1.5) calorie_deficit = (calories_intake < calories_burned).astype(int) # 转为0/1 # 构建DataFrame data = pd.DataFrame({ 'ExerciseMinutes': exercise_minutes, 'ExerciseType': exercise_type, 'Weight': weight, 'BMR': bmr, 'CaloriesIntake': calories_intake, 'CalorieDeficit': calorie_deficit }) # 2. 特征与标签 X = data[['ExerciseMinutes', 'ExerciseType', 'Weight', 'BMR', 'CaloriesIntake']] y = data['CalorieDeficit'] # 3. 数据标准化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 4. 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42) # 5. 构建Keras模型 model = Sequential([ Dense(64, activation='relu', input_shape=(X_train.shape[1],)), Dense(64, activation='relu'), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 6. 创建 TensorBoard 回调 log_dir = "logs/fit/" + datetime.now().strftime("%Y%m%d-%H%M%S") tensorboard_callback = TensorBoard(log_dir=log_dir, histogram_freq=1) # 7. 训练模型并记录日志 history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2, callbacks=[tensorboard_callback], verbose=0) # 8. 评估模型 test_loss, test_acc = model.evaluate(X_test, y_test, verbose=0) print(f"\n测试集准确率: {test_acc:.2f}") ``` --- ### ✅ 2. 启动 TensorBoard 查看日志在终端（Terminal）中运行以下命令启动 TensorBoard： ```bash tensorboard --logdir=logs/fit ``` 然后打开浏览器访问： ``` http://localhost:6006 ``` 你将看到 TensorBoard 的界面，包含以下标签： - **Scalars**：显示训练过程中的 loss、accuracy 曲线，包括训练集和验证集。 - **Graphs**：显示模型的网络结构。 - **Histograms**：显示每一层的权重分布变化。 - **Distributions**：显示权重的分布情况。 --- ## 📊 示例 TensorBoard 效果说明： | 标签 | 内容 | |------|------| | **Scalars** | 显示训练和验证的 loss 和 accuracy 曲线，可用于分析是否过拟合或欠拟合 | | **Graphs** | 显示模型结构，帮助确认网络是否按预期构建 | | **Histograms** | 显示各层权重的分布，有助于调试模型训练过程 | | **Images / Distributions** | 可视化数据分布，帮助理解输入数据 | --- ## 💡 小技巧 - 你可以为每次训练创建不同的日志目录，方便对比不同模型的训练效果。 - 结合 `EarlyStopping` 和 `ModelCheckpoint` 可以更高效地训练模型。 - 使用 `tf.keras.callbacks.TensorBoard` 的 `write_images=True` 参数可以可视化权重图像。 --- ## ✅ 示例输出（终端）： ```bash Serving TensorBoard on localhost; press CTRL+C to quit. Open your browser and navigate to http://localhost:6006 ``` --- ##