TensorFlow2 入门指南 | 10 TensorBoard可视化（选学）

2023-11-01 21:05:28

前言：

本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架。如果觉得本专栏对您有帮助的话，可以给一个小小的三连，各位的支持将是我创作的最大动力！

系列文章汇总：TensorFlow2 入门指南
Github项目地址：https://github.com/Keyird/TensorFlow2-for-beginner

文章目录

一、安装TensorBoard

最新的TensorFLow是默认安装了tensorboard，如果你不确定，可以使用 pip list 命令，检查一下是否安装：

如果没有找到 tensorboard 的安装包，则需要重新安装：

pip install tensorboard

二、创建监听

（1）监听一个目录

首先你需要确定一个存放数据的文件夹，这个文件夹用来存储要监听的数据（比如loss、acc等）。网络在训练过程中，CPU会不断将要监听的数据存入该文件夹所在磁盘位置，然后Web端会实时监听该文件夹内的数据，通过渲染之后，在网页UI上显示出来，方面开发者实时查看网络训练的情况。具体逻辑图如下所示：

首先，在开始菜单找到并打开Anacodna Prompt，然后进入之前创建好的虚拟环境：

conda activate tf2.2.0

然后，进入存放监听数据的文件夹：D:\Learning\TensorFLow2\chap10

然后，监听该路径 D:\Learning\TensorFLow2\chap10 下的数据

完整过程如下图所示，最后会显示监听成功，并告诉你监听网页的网络端口，如图中绿色所示：

打开谷歌浏览器，输入你的网络端口，就可以查看历史监听数据：

注：如果是第一次使用tensorboard，它可能会提示你暂时没有数据。

（2）新建summary实例

首先，我们需要新建一个 summary 实例，可使用 tf.summary.create_file_writer(file_path) 来创建：

# 读取当前时间，作为存放数据的文件名
current_time = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
# log_dir是最终监听的文件路径
log_dir = 'logs/' + current_time
# 创建writer
summary_writer = tf.summary.create_file_writer(log_dir)

（3）将数据存入summary实例

创建好 summary 实例后，我们将可以将要监听的数据存入该summary实例中。

1、比如，要将损失值loss按照每隔100轮的方式存入summary实例中，最后在网页端显示出来：

# 每隔100轮向log_dir文件中存入loss
if step % 100 == 0:
    print(step, 'loss:', float(loss))
    with summary_writer.as_default():
        tf.summary.scalar('train-loss', float(loss), step=step)

2、监听验证集训练精度

# 每隔500轮向log_dir文件中存入val-acc
if step % 500 == 0:
    with summary_writer.as_default():
        tf.summary.scalar('val-acc', float(total_correct / total), step=step)

3、监听训练集的单张图片

with summary_writer.as_default():
    tf.summary.image("Training sample:", sample_img, step=0)

4、监听验证集的一组图片，并合并一起显示

if step % 500 == 0:
    with summary_writer.as_default():
        val_images = tf.reshape(val_images, [-1, 28, 28])
        # 合并显示
        figure = image_grid(val_images)  
        tf.summary.image('val-images:', plot_to_image(figure), step=step)

三、可视化

待网络开始训练时，在网页端九可以实时查看监听的数据变化了，默认每隔30刷新一次。

（1）数据可视化

1、监听训练过程中的损失值loss；如下图所示：横轴为step，纵轴是训练损失值loss

2、监听验证集训练精度

（2）图像可视化

1、监听训练集单张图片

2、监听验证集多张图片，并合并显示

四、可视化网络结构图

（1）指定监听文件路径

# 获取当前时间
current_time = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
# log_dir是最终监听的文件路径
log_dir = 'logs/' + current_time

（2）创建回调函数

tensorboard_callback = keras.callbacks.TensorBoard(log_dir=log_dir)

（3）在fit()中加入回调参数

history = network.fit(train_dataset, epochs=20, validation_data=val_dataset, validation_freq=1,
                      callbacks=[tensorboard_callback])

（4）在网页上查看Graph

打开浏览器，输入你的网络端口号，点击TensorBoard页面中的GRAPHS，就可以看到监听到的网络结构图。

Facebook 开发的 Visdom 工具同样可以方便可视化数据，并且支持的可视化方式更丰富，实时性更高，使用起来更加方便。Visdom 可以直接接受 PyTorch 的张量数据，但不能直接接受 TensorFlow 的张量类型，需要转换为 Numpy 数据。

参考资料：

本教程所有代码会逐渐上传github仓库：https://github.com/Keyird/TensorFlow2-for-beginner
如果对你有帮助的话，欢迎star收藏~

最好的关系是互相成就，各位的「三连」就是【AI 菌】创作的最大动力，我们下期见！

码农公寓