TF2.0 TensorBoard用法-Get started with TensorBoard

woff

最近學習tensorflow2.0，但是發現自己連tensorboard都不會使（簡稱TB），那先按官方手冊來學TB吧！pycharm版本2020.1.1，安裝tensorflow對python版本有要求，使用anaconda可以對不同版本的python建立虛擬環境進行管理。非常好用！使用時可以在pycharm中字節指定python版本，省去很多環境配置的麻煩事！為了避免混淆Model.fit()以外的方法，另外進行練習。

首先是啟動TB，我用的是Pycharm並且安裝了anaconda，所以我可以直接在pycharm中直接啟動，不需要命令行啟動。

一準備工作

1 .新建項目，選擇安裝tensorflow2.0的python版本
2 .tf.keras.datasets.mnist中的load_data會直接下載數據；國內可能無法直接下載，可以百度其他方法下載到本地進行操作，並在load_data函數中指定路徑，具體可以查看load_data函數源碼；也可在放在windows本地用戶的.keras文件夾下的datasets中實現自動加載
3 .新建py文件，複製官方代碼，log_dir = "logs/fit/" 這種路徑是linux下的格式，如果是在Windows上需要改為原生字符串，或者改為:log_dir = "logs\\fit\\",最後的\\不可以去掉，雖然windows中/和\都可以識別，但是在代碼中拼接子路徑的時候使用的是\，所以這裡只能使用\,如下

1. import tensorflow as tf
   
2. import datetime
   
3. 
   
4. #mnist包
   
5. mnist = tf.keras.datasets.mnist
   
6. 
   
7. #加载mnist训练和测试数据集
   
8. (x_train, y_train),(x_test, y_test) = mnist.load_data()
   
9. 
   
10. #将x从0-255转换为0-1之间的浮点数，即归一化
    
11. x_train, x_test = x_train / 255.0, x_test / 255.0
    
12. 
    
13. #虽然创建model时指定了参数，在之后还可以使用相应函数进行相应变更
    
14. def create_model():
    
15.   return tf.keras.models.Sequential([
    
16.     tf.keras.layers.Flatten(input_shape=(28, 28)),#将二维转换为一维
    
17.     tf.keras.layers.Dense(512, activation='relu'),#添加一个隐藏层为512层，激活函数使用线性激活relu
    
18.     tf.keras.layers.Dropout(0.2),#训练时随机去掉20%的神经元，防止过拟合
    
19.     tf.keras.layers.Dense(10, activation='softmax')#输出层10层，使用softmax进行激活
    
20.   ])
    
21. 
    
22. #创建model实例
    
23. model = create_model()
    
24. 
    
25. #编译模型
    
26. model.compile(optimizer='adam', #优化使用adam
    
27.               loss='sparse_categorical_crossentropy',#损失计算方法指定
    
28.               metrics=['accuracy'])#使用正确率评估模型
    
29. 
    
30. log_dir = "logs\\fit\\" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
    
31. tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)
    
32. 
    
33. #训练模型
    
34. model.fit(x=x_train,
    
35.           y=y_train,
    
36.           epochs=5,#指定训练轮数
    
37.           validation_data=(x_test, y_test),#测试数据集
    
38.           callbacks=[tensorboard_callback])#tensorboard回调，即生成可以进行可视化观察模型参数的文件

複製代碼

二啟動Tensorboard

1 .tensorboard --logdir logs/fit，（windows改為反斜杠）在非終端命令行執行時前面需要加%,但是在windows上我加等號雙引號都不好使，但是使用全路徑就沒問題，也沒有找到其他解決方法。

我的Pycharm專案路徑在D:\scrapytest

所以路徑下

1. tensorboard --logdir=D:\scrapytest\logs\fit

複製代碼

2 .用瀏覽器訪問的本地6006端口

3 .大概了解下面板結構

上述面板概要:

• Scalars面板描述了損失和隨著訓練輪數變化導致的評估變化，也可以用追踪訓練速度，學習率，和其他數量值
• Graphs面板可以幫助你觀察你的模型，至此，通過Keras graph層數，你可以清晰了解你的模型是否正確構建
• Distributions和Histograms面板顯示了張量隨時間的變化情況，對觀察到權重和偏置，驗證是否按預期變化都很有用。
  
  

當您記錄其他類型的數據時，會自動啟用其他TensorBoard 插件。例如，使用Keras TensorBoard 回調還可以記錄圖像和內嵌的東西。可以通過單擊右上角的“inactive”下拉列表來查看TensorBoard 中還有哪些其他插件

參考文章

https://zhuanlan.zhihu.com/p/200249625

https://www.tensorflow.org/tensorboard/get_started