利用Keras调用Tensorboard可视化工具

自己用到tensorboard，记录汇总一下相关的知识点，有不对之处还请指教

Tensorboard详解

TensorBoard可以将训练过程中的各种绘制数据展示出来，包括标量（scalars），图片（images），音频（Audio）,计算图（graph）,数据分布（distribution），直方图（histograms）和嵌入式向量（embedding）。

在 scalars 下可以看到 accuracy，cross entropy，dropout，layer1 和 layer2 的 bias 和 weights 等的趋势；
在 images 和 audio 下可以看到输入的数据。展示训练过程中记录的图像和音频；
在 graphs 中可以看到模型的结构；
在 histogram 可以看到 activations，gradients 或者 weights 等变量的每一步的分布，越靠前面就是越新的步数的结果。展示训练过程中记录的数据的分布图；
distribution 和 histogram 是两种不同的形式，可以看到整体的状况；
在 embedding 中可以看到用 PCA 主成分分析方法将高维数据投影到 3D 空间后的数据的关系；
Event: 展示训练过程中的统计数据（最值，均值等）变化情况；

keras调用tensorboard官方代码：

keras.callbacks.TensorBoard(log_dir='./logs', histogram_freq=0, batch_size=32, write_graph=True, write_grads=False, write_images=False, embeddings_freq=0, embeddings_layer_names=None, embeddings_metadata=None, embeddings_data=None, update_freq='epoch')

终端调用代码

tensorboard --logdir=./logs

./logs表示当前路径下的子目录logs

该类在存放在keras.callbacks模块中。拥有许多参数，主要的参数如下：

1、log_dir: 用来保存Tensorboard的日志文件等内容的位置

2、histogram_freq: 对于模型中各个层计算激活值和模型权重直方图的频率。

3、write_graph: 是否在 TensorBoard 中可视化图像。

4、write_grads: 是否在 TensorBoard 中可视化梯度值直方图。

5、batch_size: 用以直方图计算的传入神经元网络输入批的大小。

6、write_images: 是否在 TensorBoard中将模型权重以图片可视化。

7、embeddings_freq: 被选中的嵌入层会被保存的频率（在训练轮中）。

8、embeddings_layer_names: 一个列表，会被监测层的名字。如果是 None 或空列表，那么所有的嵌入层都会被监测。

9、embeddings_metadata: 一个字典，对应层的名字到保存有这个嵌入层元数据文件的名字。查看详情关于元数据的数据格式。以防同样的元数据被用于所用的嵌入层，字符串可以被传入。

10、embeddings_data: 要嵌入在 embeddings_layer_names 指定的层的数据。 Numpy 数组（如果模型有单个输入）或 Numpy 数组列表（如果模型有多个输入）。

11、update_freq: 常用的三个值为’batch’ 、‘epoch’ 或整数。当使用 ‘batch’ 时，在每个 batch 之后将损失和评估值写入到 TensorBoard 中。 ‘epoch’ 类似。如果使用整数，会在每一定个样本之后将损失和评估值写入到 TensorBoard 中。

默认值如下：

log_dir='./logs',  # 默认保存在当前文件夹下的logs文件夹之下
histogram_freq=0,
batch_size=32,
write_graph=True,  #默认是True，默认是显示graph的。
write_grads=False,
write_images=False,
embeddings_freq=0, 
embeddings_layer_names=None,
embeddings_metadata=None,
embeddings_data=None, 
update_freq='epoch'

我自己的代码

tbCallBack = TensorBoard(log_dir="./log", histogram_freq=1,write_grads=True)history = model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, shuffle=True, verbose=2,validation_split=0.2, callbacks=[tbCallBack])

输入tensorboard --logdir=./logs

在这里插入图片描述

点击网址

tensorboard如图

在这里插入图片描述

参考

[1]https://blog.csdn.net/JohinieLi/article/details/80070071?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase
[2]:https://blog.csdn.net/qq_27825451/article/details/90229983?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase
[3]:https://blog.csdn.net/zhangpeterx/article/details/90762586
[4]:https://blog.csdn.net/yangfengling1023/article/details/82854923