Tensorflow基础教程10：常用模块 TensorBoard：训练过程可视化

最新推荐文章于 2024-11-28 11:02:47 发布

原创

最新推荐文章于 2024-11-28 11:02:47 发布 · 708 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #可视化 #python #tensorflow #深度学习

本文介绍了如何利用TensorBoard实时查看模型训练过程中的参数变化，包括损失函数值和其他自定义变量。通过创建文件记录器，使用tf.summary.scalar记录训练信息，并启动TensorBoard服务查看可视化结果。此外，还展示了如何利用TensorBoard查看计算图结构和Profile信息，以及在一个多层感知机模型的训练示例中应用TensorBoard。

在开始学习之前推荐大家可以多在 FlyAI竞赛服务平台多参加训练和竞赛，以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型。

　　实时查看参数变化情况

　　查看 Graph 和 Profile 信息

　　实例：查看多层感知机模型的训练情况

　　有时，你希望查看模型训练过程中各个参数的变化情况(例如损失函数 loss 的值)。虽然可以通过命令行输出来查看，但有时显得不够直观。而 TensorBoard 就是一个能够帮助我们将训练过程可视化的工具。

　　实时查看参数变化情况

　　首先在代码目录下建立一个文件夹(如 ./tensorboard )存放 TensorBoard 的记录文件，并在代码中实例化一个记录器：

　　summary_writer = tf.summary.create_file_writer('./tensorboard') # 参数为记录文件所保存的目录

　　接下来，当需要记录训练过程中的参数时，通过 with 语句指定希望使用的记录器，并对需要记录的参数(一般是 scalar)运行 tf.summary.scalar(name, tensor, step=batch_index) ，即可将训练过程中参数在 step 时候的值记录下来。这里的 step 参数可根据自己的需要自行制定，一般可设置为当前训练过程中的 batch 序号。整体框架如下：

　　summary_writer = tf.summary.create_file_writer('./tensorboard'

最低0.47元/天解锁文章