深度学习（33）随机梯度下降十一: TensorBoard可视化

Step1. run listener
Step2. build summary
Step3.1 fed scalar（监听标量）
Step3.2 fed single Image（监听单张图片）
Step3.3 fed multi-images（监听多张图片）
Step3.4 将多张图片组合为一张图片:

TensorBoard

Installation
Curves
Image Visualization
Installation

pip install tensorboard

Principle

Listen logdir
监听目录
build summary instance
新建一个日志
fed data into summary instance
将数据送入日志

Step1. run listener

进入需要监听的文件夹

cd /Users/xuruihang/Documents/深度学习

启动

tensorboard –logdir logs

如图所示:

进入http://localhost:6006/，如图所示:

Step2. build summary

current_time = datetime.datetime.now().strftime(“%Y%m%d-%H%M%S”)
log_dir = ‘logs/’ + current_time
summary_writer = tf.summary.create_file_writer(log_dir)

其中，log_dir为监听文件的路径。

Step3.1 fed scalar（监听标量）

with summary_writer.as_default():tf.summary.scalar(‘loss’, float(loss), step=epoch)
tf.summary.scalar(‘accuracy’, float(train_accuracy), step=epoch)

其中，step默认为x轴。

Step3.2 fed single Image（监听单张图片）

# get x from (x,y)
sample_img = next(iter(db))[0]
# get first image instance
sample_img = sample_img[0]
sample_img = tf.reshape(sample_img, [1, 28, 28, 1])
with summary_writer.as_default():tf.summary.image(“Training sample:”, sample_img, step=0)

如图所示:

Step3.3 fed multi-images（监听多张图片）

val_images = x[:25]
val_images = tf.reshape(val_images, [-1, 28, 28, 1])
with summary_writer.as_default():tf.summary.scalar(‘test-acc’, float(loss), step=step)tf.summary.image(“val-onebyone-images:”, val_images, max_outputs=25, step=step)

如图所示:

Step3.4 将多张图片组合为一张图片:

val_images = tf.reshape(val_images, [-1, 28, 28])
figure = image_grid(val_images)
tf.summary.image(‘val-images:’, plot_to_image(figure), step=step)

如图所示:

参考文献:
[1] 龙良曲:《深度学习与TensorFlow2入门实战》

深度学习（33）随机梯度下降十一: TensorBoard可视化相关推荐

为了搞清深度学习的随机梯度下降我复习了下微积分
在学习深度学习时遇到了个新名词:随机梯度下降--可以想象把一个篮球扔到群山之中,让它自由滚动,直到滚动到最低点．找最低点的过程也是机器学习模型训练的过程．对于篮球来说在现实世界中有万有引力会牵引它走向 ...
深度学习_07_2_随机梯度下降_激活函数及梯度损失函数及梯度
07_2_随机梯度下降_激活函数及梯度&损失函数及梯度激活函数及其梯度 Activation Functions(激活函数) 研究青蛙的神经元有多个输入,比如x0,x1,x2x_0,x_1, ...
入门 | 一文简述深度学习优化方法——梯度下降
http://www.sohu.com/a/241298990_129720 本文是一篇关于深度学习优化方法--梯度下降的介绍性文章.作者通过长长的博文,简单介绍了梯度下降的概念.优势以及两大挑战.文 ...
【深度学习】从梯度下降到 Adam！一文看懂各种神经网络优化算法
王小新编译自 Medium 量子位出品 | 公众号 QbitAI,编辑:AI有道在调整模型更新权重和偏差参数的方式时,你是否考虑过哪种优化算法能使模型产生更好且更快的效果?应该用梯度下降,随机梯 ...
深度学习相关概念：梯度下降
深度学习相关概念:梯度下降法.动量法与自适应梯度 1. 梯度下降概念 2. 梯度下降的目的 3. 梯度下降的原理 4. 梯度计算 5. 梯度下降算法的类别及计算效率 5.1 批量梯度下降(BGD) 5 ...
深度学习中的梯度下降优化算法综述
1 简介梯度下降算法是最常用的神经网络优化算法.常见的深度学习库也都包含了多种算法进行梯度下降的优化.但是,一般情况下,大家都是把梯度下降系列算法当作是一个用于进行优化的黑盒子,不了解它们的优势和劣 ...
吴恩达深度学习 —— 2.4 梯度下降
在上一节中学习了逻辑回归模型,也知道了损失函数,损失函数是衡量单一训练样例的效果,还知道了成本函数,成本函数用于衡量参数w和b的效果,在全部训练集上来衡量,下面我们讨论如何使用梯度下降法来训练或学习训 ...
【深度学习】(4) 梯度下降、损失函数
各位同学好,今天和大家介绍一下TensorFlow2.0中的梯度下降.激活函数及其梯度.损失函数及其梯度. (1) 梯度计算:GradientTape(),tape.watch(),tape.grad ...
关于深度学习中的梯度下降，了解一下
原文一篇让你很容易理解什么是梯度下降的博客 0 什么是梯度下降梯度下降法的基本思想可以类比为一个下山的过程.假设这样一个场景:一个人被困在山上,需要从山上下来(i.e. 找到山的最低点,也就是山谷 ...

深度学习（33）随机梯度下降十一: TensorBoard可视化

深度学习（33）随机梯度下降十一: TensorBoard可视化

Step1. run listener

Step2. build summary

Step3.1 fed scalar（监听标量）

Step3.2 fed single Image（监听单张图片）

Step3.3 fed multi-images（监听多张图片）

Step3.4 将多张图片组合为一张图片:

深度学习（33）随机梯度下降十一: TensorBoard可视化相关推荐

最新文章

热门文章