TensorBoard 的簡介與快速上手

在之前的學習之中，我們已經對整個機器學習的結構有了一個大致的了解，但是我們在查看訓練結果的時候只采用了兩種可視化方法：

• 使用 print 或者 log 來打印出一些日志與結果；
• 使用 pyplot 來進行運行結果的可視化。

這兩種結果各有優劣，第一種方法比較快速，能夠在訓練的時候直接查看，但是卻不夠直觀；而第二種方法能夠很直觀的看到變化，但是卻只能在訓練結束后查看。有沒有一種更好的方法來做到實時的、快速地、直觀的查看呢？

那就是接下來幾節課我們要學習的可視化工具 —— TensorBoard 。

1. 什么是 TensorBoard

TensorBoard 是一個工具包，它提供機器學習實驗所需的可視化功能和工具。

值得注意的是，這里并沒有明確說明要使用 TensorFlow 框架才能使用 TensorBoard 才能進行可視化工作。因此在實際中，很多的其他框架之中都內置了 TensorBoard 的工具，比如 PyTorch 等?？傮w而言，TensorBoard 是一個通用的，高效率的可視化工具。

具體而言，TensorBoard 可以實現以下的功能：

• 對準確率、訓練損失等參數進行可視化工作；
• 對模型的架構進行可視化工作；
• 對文本、圖片、音頻等媒體數據進行顯示；
• 查看權重、偏差的直方圖；
• 等等。

在這里，結合我們之前的訓練例子，我們會更多地對前三點應用進行講解。

2. TensorBoard 的安裝

一般情況下，當你安裝 TensorFlow 的時候，已經默認幫你安裝了 TensorBoard ，你只需要直接使用即可。但是也不排除某些特殊情況導致沒有一起安裝的情況。

2.1 使用 PIP 安裝

使用 PIP 安裝比較簡單，直接運行以下命令即可：

pip install TensorBoard

如果網絡連接失敗，可以參考以前的 TensorFlow 安裝教程進行鏡像的更換。

2.2 使用 Anaconda 安裝

如果有些同學是在 Anaconda 環境中進行的操作，那么推薦使用 Anaconda 命令進行安裝：

conda install TensorBoard

通過這樣的操作，我們就完成了 TensorBoard 的安裝工作。

3. TensorBoard 的快速上手使用

既然已經安裝了 TensorBoard ，那么接下來我們便來看一下如何快速上手使用 TensorBoard 。

在這里，我們并不會進行更加深入的學習，也不會記錄過于復雜的數據，這一節的目的是讓大家對 TensorBoard 的整體使用流程有一個大致的了解。

首先，我們編寫一段很平常的 Mnist 數據集的識別程序：

首先，我們進行數據集的獲取與模型的構建：

import tensorflow as tf

(x_train, y_train),(x_test, y_test) = tf.keras.datasets.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)),
    tf.keras.layers.Dense(256, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
  ])

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

這是一個非常簡單的線性程序，并且我們在模型編譯的過程之中，指定記錄的指標包括準確率（accuracy）。

然后我們進行模型的訓練，同時進行相應的記錄工作：

tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='./logs')

model.fit(x=x_train, y=y_train, 
          epochs=3, 
          validation_data=(x_test, y_test), 
          callbacks=[tensorboard_callback])

在這里，我們定義了一個回調，該回調是 TensorBoard 回調，該回調會在模型訓練的時候進行日志的輸出與構建工作。

在這里我們只指定了一個參數：

• logdir：用于存放日志的目錄。

在后續的學習之中，我們會陸續學習到更多的參數與使用方法。

運行程序，我們可以得到如下輸出：

Epoch 1/3
1875/1875 [==============================] - 5s 3ms/step - loss: 0.2252 - accuracy: 0.9344 - val_loss: 0.1082 - val_accuracy: 0.9684
Epoch 2/3
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0933 - accuracy: 0.9712 - val_loss: 0.1037 - val_accuracy: 0.9672
Epoch 3/3
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0622 - accuracy: 0.9807 - val_loss: 0.0705 - val_accuracy: 0.9783
<tensorflow.python.keras.callbacks.History at 0x7f5500172f98>

然后我們在當前目錄下運行終端，并且輸入命令：

tensorboard --logdir logs

其中 --logdir 的參數就是我們剛才指定的日志目錄，通過運行以上命令，我們能得到相應的輸出，通過輸出我們可以發現，我們的 TensorBoard 目前在 localhost:6006 端口運行。

在瀏覽器中打開 localhost:6006 ，我們就可以發現如下界面：

我們可以發現，該頁面一共有兩個選項卡，第一個選項卡包含了兩個圖表：

• 訓練集、測試集的準確率的圖表；
• 訓練集、測試集的 Loss 的變化的圖表。

其中第二個圖表是自動生成的，也就是說 TensorBoard 會自動記錄 Loss 變化；而第一個圖表是由我們編譯模型的時候指定的。

打開第二個選項卡，我們可以看到我們的網絡的模型：

該模型圖展示了我們的網絡模型，并且支持縮放等功能。

4. 小結

在這節課中，我們學習了什么是 TensorBoard ，同時了解了如何安裝 TensorBoard ，最后，我們通過一個具體的實例了解了 TensorBoard 的具體使用方法以及整體的流程。