TensorBoard 入门

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

在机器学习中，要改进某件事，通常需要能够对其进行测量。TensorBoard 是一个工具，可以提供机器学习工作流程中所需的测量和可视化。它可以跟踪实验指标（如损失和准确率），可视化模型图，将嵌入投影到低维空间，以及更多功能。

本快速入门将展示如何快速开始使用 TensorBoard。本网站中的其他指南提供了有关特定功能的更多详细信息，其中许多功能未在此处列出。

# Load the TensorBoard notebook extension
%load_ext tensorboard

import tensorflow as tf
import datetime

# Clear any logs from previous runs
rm -rf ./logs/

使用 MNIST 数据集作为示例，对数据进行归一化，并编写一个函数，该函数创建一个简单的 Keras 模型，将图像分类为 10 个类别。

mnist = tf.keras.datasets.mnist

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

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')
  ])

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step

将 TensorBoard 与 Keras Model.fit() 一起使用

使用 Keras 的 Model.fit() 进行训练时，添加 tf.keras.callbacks.TensorBoard 回调可确保创建和存储日志。此外，使用 histogram_freq=1 启用每个 epoch 的直方图计算（默认情况下处于关闭状态）

将日志放置在带时间戳的子目录中，以便轻松选择不同的训练运行。

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

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=5, 
          validation_data=(x_test, y_test), 
          callbacks=[tensorboard_callback])

Train on 60000 samples, validate on 10000 samples
Epoch 1/5
60000/60000 [==============================] - 15s 246us/sample - loss: 0.2217 - accuracy: 0.9343 - val_loss: 0.1019 - val_accuracy: 0.9685
Epoch 2/5
60000/60000 [==============================] - 14s 229us/sample - loss: 0.0975 - accuracy: 0.9698 - val_loss: 0.0787 - val_accuracy: 0.9758
Epoch 3/5
60000/60000 [==============================] - 14s 231us/sample - loss: 0.0718 - accuracy: 0.9771 - val_loss: 0.0698 - val_accuracy: 0.9781
Epoch 4/5
60000/60000 [==============================] - 14s 227us/sample - loss: 0.0540 - accuracy: 0.9820 - val_loss: 0.0685 - val_accuracy: 0.9795
Epoch 5/5
60000/60000 [==============================] - 14s 228us/sample - loss: 0.0433 - accuracy: 0.9862 - val_loss: 0.0623 - val_accuracy: 0.9823
<tensorflow.python.keras.callbacks.History at 0x7fc8a5ee02e8>

通过命令行或笔记本体验启动 TensorBoard。这两个界面通常相同。在笔记本中，使用 %tensorboard 行魔法。在命令行中，运行相同的命令，但没有 "%".

%tensorboard --logdir logs/fit

简要概述本示例中创建的可视化以及可以在其中找到它们的仪表板（顶部导航栏中的选项卡）

标量显示损失和指标如何随每个 epoch 变化。您也可以使用它们来跟踪训练速度、学习率和其他标量值。标量可以在 时间序列 或标量仪表板中找到。
图可以帮助您可视化模型。在本例中，显示了 Keras 层的图，这可以帮助您确保其构建正确。图可以在图仪表板中找到。
直方图和分布显示张量随时间的分布。这对于可视化权重和偏差以及验证它们是否按预期方式变化很有用。直方图可以在 时间序列 或 直方图 仪表板中找到。分布可以在分布仪表板中找到。

当您记录其他类型的数据时，其他 TensorBoard 仪表板会自动启用。例如，Keras TensorBoard 回调允许您记录图像和嵌入。您可以通过单击右上角的“非活动”下拉菜单来查看 TensorBoard 中可用的其他仪表板。

使用其他方法的 TensorBoard

使用诸如 tf.GradientTape() 之类的方法进行训练时，使用 tf.summary 记录所需的信息。

使用与上面相同的数据集，但将其转换为 tf.data.Dataset 以利用批处理功能

train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
test_dataset = tf.data.Dataset.from_tensor_slices((x_test, y_test))

train_dataset = train_dataset.shuffle(60000).batch(64)
test_dataset = test_dataset.batch(64)

训练代码遵循高级快速入门教程，但展示了如何将指标记录到 TensorBoard。选择损失和优化器

loss_object = tf.keras.losses.SparseCategoricalCrossentropy()
optimizer = tf.keras.optimizers.Adam()

创建有状态指标，这些指标可用于在训练期间累积值，并在任何时间点记录。

# Define our metrics
train_loss = tf.keras.metrics.Mean('train_loss', dtype=tf.float32)
train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy('train_accuracy')
test_loss = tf.keras.metrics.Mean('test_loss', dtype=tf.float32)
test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy('test_accuracy')

定义训练和测试函数

def train_step(model, optimizer, x_train, y_train):
  with tf.GradientTape() as tape:
    predictions = model(x_train, training=True)
    loss = loss_object(y_train, predictions)
  grads = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(grads, model.trainable_variables))

  train_loss(loss)
  train_accuracy(y_train, predictions)

def test_step(model, x_test, y_test):
  predictions = model(x_test)
  loss = loss_object(y_test, predictions)

  test_loss(loss)
  test_accuracy(y_test, predictions)

设置摘要写入器，将摘要写入磁盘上的不同日志目录

current_time = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
train_log_dir = 'logs/gradient_tape/' + current_time + '/train'
test_log_dir = 'logs/gradient_tape/' + current_time + '/test'
train_summary_writer = tf.summary.create_file_writer(train_log_dir)
test_summary_writer = tf.summary.create_file_writer(test_log_dir)

开始训练。使用 tf.summary.scalar() 在训练/测试期间记录指标（损失和准确率），在摘要写入器的范围内将摘要写入磁盘。您可以控制要记录的指标以及记录的频率。其他 tf.summary 函数可以启用记录其他类型的数据。

model = create_model() # reset our model

EPOCHS = 5

for epoch in range(EPOCHS):
  for (x_train, y_train) in train_dataset:
    train_step(model, optimizer, x_train, y_train)
  with train_summary_writer.as_default():
    tf.summary.scalar('loss', train_loss.result(), step=epoch)
    tf.summary.scalar('accuracy', train_accuracy.result(), step=epoch)

  for (x_test, y_test) in test_dataset:
    test_step(model, x_test, y_test)
  with test_summary_writer.as_default():
    tf.summary.scalar('loss', test_loss.result(), step=epoch)
    tf.summary.scalar('accuracy', test_accuracy.result(), step=epoch)

  template = 'Epoch {}, Loss: {}, Accuracy: {}, Test Loss: {}, Test Accuracy: {}'
  print (template.format(epoch+1,
                         train_loss.result(), 
                         train_accuracy.result()*100,
                         test_loss.result(), 
                         test_accuracy.result()*100))

  # Reset metrics every epoch
  train_loss.reset_states()
  test_loss.reset_states()
  train_accuracy.reset_states()
  test_accuracy.reset_states()

Epoch 1, Loss: 0.24321186542510986, Accuracy: 92.84333801269531, Test Loss: 0.13006582856178284, Test Accuracy: 95.9000015258789
Epoch 2, Loss: 0.10446818172931671, Accuracy: 96.84833526611328, Test Loss: 0.08867532759904861, Test Accuracy: 97.1199951171875
Epoch 3, Loss: 0.07096975296735764, Accuracy: 97.80166625976562, Test Loss: 0.07875105738639832, Test Accuracy: 97.48999786376953
Epoch 4, Loss: 0.05380449816584587, Accuracy: 98.34166717529297, Test Loss: 0.07712937891483307, Test Accuracy: 97.56999969482422
Epoch 5, Loss: 0.041443776339292526, Accuracy: 98.71833038330078, Test Loss: 0.07514958828687668, Test Accuracy: 97.5

再次打开 TensorBoard，这次将其指向新的日志目录。我们也可以在训练进行时启动 TensorBoard 来监控训练。

%tensorboard --logdir logs/gradient_tape

就是这样！您现在已经了解了如何通过 Keras 回调和 tf.summary 使用 TensorBoard，以实现更自定义的场景。