【小白学习tensorflow教程】二、TensorBoard可视化模型训练

@Author：Runsen

本想在Torch和Keras更新TensorBoard，还是决定扔在了tensorflow。

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。

在本篇博客中，将介绍 TensorBoard 的基础知识，并了解如何可视化训练模型中的一些基本信息。

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/=255X_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，我们创建了一个 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])

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)

如果训练迭代5k到55k，TensorBoard会给出测试集的大概结果。

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_profiler是TensorBoard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

【小白学习tensorflow教程】二、TensorBoard可视化模型训练相关推荐

【深度学习】Tensorboard可视化模型训练过程和Colab使用
[深度学习]Tensorboard可视化模型训练过程和Colab使用文章目录 1 概述 2 手撸代码实现 3 Colab使用3.1 详细步骤3.2 Demo 4 总结 1 概述在利用TensorF ...
【小白学习tensorflow教程】一、tensorflow基本操作、快速构建线性回归和分类模型
@Author:Runsen TF 目前发布2.5 版本,之前阅读1.X官方文档,最近查看2.X的文档.tensorflow是非常强的工具,生态庞大. tensorflow提供了Keras的分支,这里 ...
【小白学习tensorflow教程】四、使用 tfhub中的模型EfficientDet-Lite2 进行对象检测
@Author:Runsen tfhub是tensorflow官方提供训练好的模型的一个仓库.今天,我使用 tfhub中的模型EfficientDet-Lite2 进行对象检测选择的模型是Effic ...
使用迁移学习后使用微调再次提高模型训练的准确率
使用迁移学习后使用微调再次提高模型训练的准确率 1.微调所谓微调:冻结模型库的底部的卷积层,共同训练新添加的分类器层和顶部部分卷积层.这允许我们"微调"基础模型中的高阶特征表示, ...
SEO小白学习与实践(二)：SEO相关基础知识与自有网站诊断
前言两年前建网站的时候,一切都是从百度检索开始的,遇到问题就问度娘.后来发现,这样的方法不是很好.度娘可以帮助解决铁定问题,但是非常系统的知识最好还是从书本上获取.于是,这次SEO学习咱就改变思路, ...
用深度学习做命名实体识别(四)——模型训练
通过本文你将了解如何训练一个人名.地址.组织.公司.产品.时间,共6个实体的命名实体识别模型. 准备训练样本下面的链接中提供了已经用brat标注好的数据文件以及brat的配置文件,因为标注内容较多放 ...
【机器学习PAI实践十】深度学习Caffe框架实现图像分类的模型训练
背景我们在之前的文章中介绍过如何通过PAI内置的TensorFlow框架实验基于Cifar10的图像分类,文章链接:https://yq.aliyun.com/articles/72841.使用Te ...
(二)为AI模型训练准备影像
目录介绍 Roboflow数据集标准化人脸数据集的正规化数据集扩充下一步在这里,我将向您展示如何收集.预处理和扩充模型训练所需的数据. 介绍在本系列的上一篇文章中,我们讨论了创建口罩检测器 ...
深度学习炼丹-超参数设定和模型训练
前言网络层内在参数使用 3x3 卷积使用 cbr 组合尝试不同的权重初始化方法图片尺寸与数据增强 batch size 设定背景知识 batch size 定义选择合适大小的 batch ...

【小白学习tensorflow教程】二、TensorBoard可视化模型训练

【小白学习tensorflow教程】二、TensorBoard可视化模型训练相关推荐

最新文章

热门文章