迁移 TensorBoard：TensorFlow 的可视化工具包

在 TensorFlow.org 上查看 在 Google Colab 中运行 在 GitHub 上查看源代码 下载笔记本

TensorBoard 是 TensorFlow 中用于提供度量和可视化的内置工具。常见的机器学习实验指标，例如准确率和损失，可以在 TensorBoard 中跟踪和显示。TensorBoard 与 TensorFlow 1 和 2 代码兼容。

在 TensorFlow 1 中，tf.estimator.Estimator 默认情况下会为 TensorBoard 保存摘要。相比之下，在 TensorFlow 2 中，可以使用 tf.keras.callbacks.TensorBoard 回调 保存摘要。

本指南演示了如何使用 TensorBoard，首先是在 TensorFlow 1 中使用估计器，然后是如何在 TensorFlow 2 中执行等效过程。

设置

import tensorflow.compat.v1 as tf1
import tensorflow as tf
import tempfile
import numpy as np
import datetime
%load_ext tensorboard

mnist = tf.keras.datasets.mnist # The MNIST dataset.

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

TensorFlow 1：使用 tf.estimator 的 TensorBoard

在本 TensorFlow 1 示例中，您将实例化一个 tf.estimator.DNNClassifier，在 MNIST 数据集上对其进行训练和评估，并使用 TensorBoard 显示指标

%reload_ext tensorboard

feature_columns = [tf1.feature_column.numeric_column("x", shape=[28, 28])]

config = tf1.estimator.RunConfig(save_summary_steps=1,
                                 save_checkpoints_steps=1)

path = tempfile.mkdtemp()

classifier = tf1.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[256, 32],
    optimizer=tf1.train.AdamOptimizer(0.001),
    n_classes=10,
    dropout=0.1,
    model_dir=path,
    config = config
)

train_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_train},
    y=y_train.astype(np.int32),
    num_epochs=10,
    batch_size=50,
    shuffle=True,
)

test_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_test},
    y=y_test.astype(np.int32),
    num_epochs=10,
    shuffle=False
)

train_spec = tf1.estimator.TrainSpec(input_fn=train_input_fn, max_steps=10)
eval_spec = tf1.estimator.EvalSpec(input_fn=test_input_fn,
                                   steps=10,
                                   throttle_secs=0)

tf1.estimator.train_and_evaluate(estimator=classifier,
                                train_spec=train_spec,
                                eval_spec=eval_spec)

%tensorboard --logdir {classifier.model_dir}

TensorFlow 2：使用 Keras 回调和 Model.fit 的 TensorBoard

在本 TensorFlow 2 示例中，您将使用 tf.keras.callbacks.TensorBoard 回调创建和存储日志，并训练模型。回调会跟踪每个纪元的准确率和损失。它在 callbacks 列表中传递给 Model.fit。

%reload_ext tensorboard

def create_model():
  return tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28), name='layers_flatten'),
    tf.keras.layers.Dense(512, activation='relu', name='layers_dense'),
    tf.keras.layers.Dropout(0.2, name='layers_dropout'),
    tf.keras.layers.Dense(10, activation='softmax', name='layers_dense_2')
  ])

model = create_model()
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'],
              steps_per_execution=10)

log_dir = tempfile.mkdtemp()
tensorboard_callback = tf.keras.callbacks.TensorBoard(
  log_dir=log_dir,
  histogram_freq=1) # Enable histogram computation with each epoch.

model.fit(x=x_train,
          y=y_train,
          epochs=10,
          validation_data=(x_test, y_test),
          callbacks=[tensorboard_callback])

%tensorboard --logdir {tensorboard_callback.log_dir}

后续步骤