本文概述

• TensorBoard中DashBoard的类型
• TensorBoard的不同视图
• 如何使用TensorBoard？

TensorFlow是一种可视化工具, 称为TensorBoard。它用于分析数据流图并用于理解机器学习模型。 TensorBoard是用于可视化图形的界面, 也是用于理解, 调试和优化模型的许多工具。
TensorBoard的重要功能是, 它包括有关垂直对齐方式中任何图形的参数和详细信息的不同类型统计信息的视图。
深度神经网络包括多达36, 000个节点。 TensorFlow帮助将这些节点高度折叠, 从而将这些节点折叠为高级块, 并突出显示相同的结构。这样可以更好地分析图形, 着重于计算图形的主要部分。

文章图片
TensorBoard可视化据说是非常互动的, 用户可以在其中平移, 缩放和展开节点以显示细节。
以下是给定的图表表示, 显示了TensorBoard可视化的完整工作-

文章图片
该算法将节点折叠为高级块, 并突出显示具有相同结构的特定组, 从而将高级节点分开。创建的TensorBoard很有用, 并且对于调整机器学习模型同样重要。该可视化工具是为配置日志文件设计的。
看下面的图片：

文章图片
神经网络决定如何连接不同的” 神经元” , 以及模型可以预测结果之前的层数。定义架构后, 我们不仅需要训练模型, 还需要度量指标以计算预测的准确性。此度量标准称为损失函数。目标是作为损失函数。
TensorBoard是可视化指标并突出显示潜在问题的好工具。神经网络可能需要数小时至数周才能找到解决方案。 TensorBoard经常更新参数。
TensorBoard位于此URL中：http：// localhost：6006
TensorBoard中DashBoard的类型
文章图片
1.标量仪表板
它用于可视化时间相关的统计信息；例如, 我们可能希望查看学习率或损失函数的变化。
2.直方图
TensorBoard中的直方图仪表板显示Tensor的统计分布如何随时间变化。它通过tf.summary.histogram可视化记录的数据。
3.分发仪表板
它显示了tf.summary.histogram的一些高级用法。它显示了发行版中的一些高级启动。图表上的每条线都提示了数据分布百分比。
4.图像仪表板
这显示了通过tf.summary.image保存的png。行对应于标签, 列对应于运行。通过使用TensorBoard的图像仪表板, 我们可以嵌入自定义可视化文件。
5.音频仪表板
这是一个出色的工具, 可嵌入可播放的音频小部件, 以存储通过tf.summary.audio保存的音频。仪表板始终为每个标签嵌入最新的音频。
6.图资源管理器
它主要用于启用TensorFlow模型的检查。
7.投影仪
TensorFlow中的嵌入式投影仪用于多维数据。嵌入式投影仪从检查点文件中读取数据, 并且可能已设置了相应的数据, 例如词汇表文件。
8.文字仪表板
文本仪表板显示了通过tf.summary.text。保存的文本专家, 包括超链接, 列表和表格等功能, 均受支持。

文章图片
TensorBoard的不同视图 不同的视图采用不同格式的输入, 并以不同的方式显示它们。我们可以在橙色顶部栏上更改它们。

• 标量-可视化标量值, 例如分类精度。
• Graph-可视化我们模型的计算图, 例如神经网络模型。
• 分布-可视化数据随时间变化的方式, 例如神经网络的权重。
• 直方图-分布的更高级视图, 显示了一个分布, 该分布以3维透视图显示了分布。
• 投影仪-可用于可视化单词嵌入(即, 单词嵌入是捕获其语义关系的单词的数字表示形式)
• 图像-图像数据可视化
• 音频-可视化音频数据
• 文本-??可视化文本数据

如何使用TensorBoard？ 我们将学习如何在MacOS和命令行Windows的终端上打开TensorBoard。
该代码将在以后的教程中进行解释。这里的重点是TensorBoard。
首先, 我们需要导入将在培训期间使用的库。

## Import the library import tensorflow as tf import numpy as np

我们创建数据。它是10000行和列的数组

X_train = (np.random.sample((10000, 5))) y_train =(np.random.sample((10000, 1))) X_train.shape

下面的代码转换数据并创建模型。
请注意, 学习率等于0.1。如果我们将此速率更改为更高的值, 则该模型将找不到解决方案。这就是上图左侧发生的情况。
在下面的示例中, 我们将模型存储在工作目录中, 即我们存储笔记本或python文件的位置。在路径内, TensorFlow创建一个名为train的文件夹, 其子文件夹名为linreg。

feature_columns = [ tf.feature_column.numeric_column('x', shape=X_train.shape[1:])] DNN_reg = tf.estimator.DNNRegressor(feature_columns=feature_columns, # Indicate where to store the log file model_dir='train', hidden_units=[500, 300], optimizer=tf.train.ProximalAdagradOptimizer( learning_rate=0.1, l1_regularization_strength=0.001 ) )

输出

INFO:tensorflow:Using the default configuration. INFO:tensorflow:Using config:{'_model_dir': 'train/linreg', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': None, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_service': None, '_cluster_spec': , '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}

最后一步是训练模型。在训练期间, TensorFlow将信息写入模型目录中。

# Train the estimator train_input = tf.estimator.inputs.numpy_input_fn( x={"x": X_train}, y=y_train, shuffle=False, num_epochs=None) DNN_reg.train(train_input, steps=3000)

输出

INFO:tensorflow:Calling model_fn. INFO:tensorflow:Done calling model_fn. INFO:tensorflow:Create CheckpointSaverHook. INFO:tensorflow: Graph was finalized. INFO:tensorflow:Running local_init_op. INFO:tensorflow:Done running local_init_op. INFO:tensorflow:Saving checkpoints for 1 into train/linreg/model.ckpt. INFO:tensorflow:loss = 40.060104, step = 1 INFO:tensorflow:global_step/sec: 197.061 INFO:tensorflow:loss = 10.62989, step = 101 (0.508 sec) INFO:tensorflow:global_step/sec: 172.487 INFO:tensorflow:loss = 11.255318, step = 201 (0.584 sec) INFO:tensorflow:global_step/sec: 193.295 INFO:tensorflow:loss = 10.604872, step = 301 (0.513 sec) INFO:tensorflow:global_step/sec: 175.378 INFO:tensorflow:loss = 10.090343, step = 401 (0.572 sec) INFO:tensorflow:global_step/sec: 209.737 INFO:tensorflow:loss = 10.057928, step = 501 (0.476 sec) INFO:tensorflow:global_step/sec: 171.646 INFO:tensorflow:loss = 10.460144, step = 601 (0.583 sec) INFO:tensorflow:global_step/sec: 192.269 INFO:tensorflow:loss = 10.529617, step = 701 (0.519 sec) INFO:tensorflow:global_step/sec: 198.264 INFO:tensorflow:loss = 9.100082, step = 801 (0.504 sec) INFO:tensorflow:global_step/sec: 226.842 INFO:tensorflow:loss = 10.485607, step = 901 (0.441 sec) INFO:tensorflow:global_step/sec: 152.929 INFO:tensorflow:loss = 10.052481, step = 1001 (0.655 sec) INFO:tensorflow:global_step/sec: 166.745 INFO:tensorflow:loss = 11.320213, step = 1101 (0.600 sec) INFO:tensorflow:global_step/sec: 161.854 INFO:tensorflow:loss = 9.603306, step = 1201 (0.619 sec) INFO:tensorflow:global_step/sec: 179.074 INFO:tensorflow:loss = 11.110269, step = 1301 (0.556 sec) INFO:tensorflow:global_step/sec: 202.776 INFO:tensorflow:loss = 11.929443, step = 1401 (0.494 sec) INFO:tensorflow:global_step/sec: 144.161 INFO:tensorflow:loss = 11.951693, step = 1501 (0.694 sec) INFO:tensorflow:global_step/sec: 154.144 INFO:tensorflow:loss = 8.620987, step = 1601 (0.649 sec) INFO:tensorflow:global_step/sec: 151.094 INFO:tensorflow:loss = 10.666125, step = 1701 (0.663 sec) INFO:tensorflow:global_step/sec: 193.644 INFO:tensorflow:loss = 11.0349865, step = 1801 (0.516 sec) INFO:tensorflow:global_step/sec: 189.707 INFO:tensorflow:loss = 9.860596, step = 1901 (0.526 sec) INFO:tensorflow:global_step/sec: 176.423 INFO:tensorflow:loss = 10.695, step = 2001 (0.567 sec) INFO:tensorflow:global_step/sec: 213.066 INFO:tensorflow:loss = 10.426752, step = 2101 (0.471 sec) INFO:tensorflow:global_step/sec: 220.975 INFO:tensorflow:loss = 10.594796, step = 2201 (0.452 sec) INFO:tensorflow:global_step/sec: 219.289 INFO:tensorflow:loss = 10.4212265, step = 2301 (0.456 sec) INFO:tensorflow:global_step/sec: 215.123 INFO:tensorflow:loss = 9.668612, step = 2401 (0.465 sec) INFO:tensorflow:global_step/sec: 175.65 INFO:tensorflow:loss = 10.009649, step = 2501 (0.569 sec) INFO:tensorflow:global_step/sec: 206.962 INFO:tensorflow:loss = 10.477722, step = 2601 (0.483 sec) INFO:tensorflow:global_step/sec: 229.627 INFO:tensorflow:loss = 9.877638, step = 2701 (0.435 sec) INFO:tensorflow:global_step/sec: 195.792 INFO:tensorflow:loss = 10.274586, step = 2801 (0.512 sec) INFO:tensorflow:global_step/sec: 176.803 INFO:tensorflow:loss = 10.061047, step = 2901 (0.566 sec) INFO:tensorflow:Saving checkpoints for 3000 into train/linreg/model.ckpt. INFO:tensorflow: Loss for the final step: 10.73032. < tensorflow.python.estimator.canned.dnn.DNNRegressor at 0x1818e63630>

对于Windows用户

cd C:\Users\Admin\Anaconda3 activate hello-tf

【TensorFlow可视化（TensorBoard的介绍和使用）】要启动TensorBoard, 我们可以使用以下代码

tensorboard --logdir=.\train\linreg

推荐阅读

• 

  超易人事管理系统分析
• 

  索尼HDC摄像机没法录像维修报价
• 

  狐尾藻的用途有哪些 狐尾藻有什么用
• 

  2022年起个好听的快手网名 好听的快手网名推荐
• 

  为什么越来越多的网站域名不加「www」前缀？
• 

  猪肝吃起来苦是什么原因 没洗干净炒太老
• 

  自动启停不起动的原因是啥 自动启停不正常
• 

  fluent工程技术与实例分析 下载
• 

  手机京东实名认证在哪
• 

  嫩姜鱼怎么做 嫩姜鱼做法
• 

  如何调整《使命召唤》服务器时间？ 使命召唤怎么调服务器时间
• 

  视频号如何直播听歌，视频号如何直播听歌曲
• 

  合同纠纷打官司费用
• 

  张嘉译演的电视剧中,最好看的是什么？
• 

  雁鹅是什么鹅，雁鹅和大鹅的区别 雁鹅和大鹅有啥区别
• 

  夜拍丁香花
• 

  美团借钱容易通过吗
• 

  微信手机定位功能在哪里开启
• 

  留校申请书范文 大学留校申请书范文
• 

  秦时明月机械无双

• TensorFlow和Keras之间有哪些区别（）
• 神经样式传输的过程是什么（）
• TensorFlow调试和修复问题
• TensorFlow Gram矩阵原理介绍和用法示例
• Tensorflow中的长短期记忆(LSTM)RNN介绍和使用
• TensorFlow中的样式传输解释和实例
• 加快android studio 编译速度
• 6.简单提取小红书app数据保存txt-2
• 品质创新，江铃控股携手华天软件CAPP系统决战SUV中高端市场