Tensorflow2.0--可视化工具Tensorboard

image from unsplash.com by Tara Hegerty

之前的文章介绍过如何在 Keras 中快速调用 Tensorboard 这个可视化工具，这篇文章我们再深入探讨一下 Tensorboard 在T Tensorflow 2.0 下如何使用。

本文源代码请关注微信公众号(二维码见文末)获取

1. Tensorboard 工作原理

简单来说，tensorboard 就是通过监听定目录下的 log 文件然后在 Web 端将 log 文件中需要监听的变量可视化出来的过程。

所以，使用 Tensorflow 大致分为以下三步：

1. 创建监听目录 logdir
2. 创建 summary_writer 对象写入 logdir
3. 将数据写入到 summary_writer 中

2. Tensorboard 监听变量

我们用 Tensorboard 最多的就是实时观察 loss 和 accuracy 在训练过程中的变化，下面就以 MNIST 识别手写数字为例，介绍如何使用 Tensorboard.

首先，创建监听目录和 summary_witer 目录名字加上时间戳，以避免混淆。

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)

然后，训练过程中将数据写入 summary_witer 中。这里我们将每个 epoch 中的 loss 和 accuracy 写入，仅需要在 epoch 的循环中加入以下代码：

  with summary_writer.as_default():
    tf.summary.scalar("epoch_loss", loss.numpy(), step=epoch)
    tf.summary.scalar("epoch_test_acc", accuracy, step=epoch)

其他部分关于模型的建立，训练和测试，参考之前的文章，这里就不赘述了。

当然，我们也可以监听每个 epoch 下，每(若干)个step，仅需要在 step 的循环中加入如下代码，注意，为了避免重复，监听变量的名字也加上了 epoch 的数字：

      with summary_writer.as_default():
        tf.summary.scalar("loss epoch: "+str(epoch), loss.numpy(), step = step)
        tf.summary.scalar("test_acc epoch: "+str(epoch), accuracy, step = step)

3. 查看 Tensorboard

在 Windows 的 CMD 或 Mac/linux 的terminal中在项目目录下输入以下命令: 可得到一个地址和端口。

tensorboard --logdir logs

其中 "logs" 是我们指定的监听目录的父目录，前面我们将带有时间戳的子目录放在这个目录下，该目录下所有的子目录都可以被监听。

将地址和端口复制到浏览器中即可打开 Tensorboard. Tensorboard 默认没几秒钟就会刷新一次更新数据，当然你也可以手动刷新。

如果你是使用 Colab 的notebooks，现在 Tensorflow 2.0 也支持直接在 notebook 中查看 tensorboard 了。

1. 在调用 Tensorflow 2.0 的时候 同时调用 tensorboard，仅需一行代码 %load_ext tensorboard
2. 创建完成 summary_writer 后 同样一行代码显示 tensorboard %tensorboard --logdir logs

下图就是 tensorboard 中实时显示每个 epoch loss 和 accuracy 的变化，以及每个 epoch 中 每个 step 下 loss 和 accuracy 的变化。

---

相关文章

Tensorflow2.0-数据加载和预处理

Tensorflow 2.0 快速入门 —— 引入Keras 自定义模型

Tensorflow 2.0 快速入门 —— 自动求导与线性回归

Tensorflow 2.0 轻松实现迁移学习

Tensorflow入门——Eager模式像原生Python一样简洁优雅

Tensorflow 2.0 —— 与 Keras 的深度融合

---

同步到我的简书
https://www.jianshu.com/u/bd506afc6fc1

欢迎扫描二维码关注我的微信公众号“tensorflow机器学习”，一起学习，共同进步