TensorBoard

`TensorBoard` 类

keras.callbacks.TensorBoard(
    log_dir="logs",
    histogram_freq=0,
    write_graph=True,
    write_images=False,
    write_steps_per_second=False,
    update_freq="epoch",
    profile_batch=0,
    embeddings_freq=0,
    embeddings_metadata=None,
)

启用 TensorBoard 的可视化。

TensorBoard 是 TensorFlow 提供的可视化工具。使用此回调需要安装 TensorFlow。

此回调记录 TensorBoard 的事件，包括

指标汇总图
训练图可视化
权重直方图
采样分析

在 model.evaluate() 或常规验证中使用时，除了每个 epoch 的摘要之外，还会记录一个摘要，其中记录了评估指标与 model.optimizer.iterations 的关系。指标名称将以 evaluation 为前缀，model.optimizer.iterations 为 TensorBoard 中可视化的步骤。

如果您已使用 pip 安装 TensorFlow，则应该能够从命令行启动 TensorBoard

tensorboard --logdir=path_to_your_logs

您可以在此处找到有关 TensorBoard 的更多信息此处。

参数

log_dir：要保存日志文件的目录的路径，供 TensorBoard 解析。例如，log_dir = os.path.join(working_dir, 'logs')。此目录不应被任何其他回调重用。
histogram_freq：计算模型各层的权重直方图的频率（以 epoch 为单位）。如果设置为 0，则不会计算直方图。直方图可视化必须指定验证数据（或拆分）。
write_graph：（目前不支持）是否在 TensorBoard 中可视化图形。请注意，当 write_graph 设置为 True 时，日志文件可能会变得非常大。
write_images：是否将模型权重写入 TensorBoard 中以可视化为图像。
write_steps_per_second：是否将训练步骤/秒记录到 TensorBoard 中。这支持每个 epoch 和每个批次的频率记录。
update_freq："batch" 或 "epoch" 或整数。使用 "epoch" 时，在每个 epoch 之后将损失和指标写入 TensorBoard。如果使用整数，例如 1000，则所有指标和损失（包括通过 Model.compile 添加的自定义指标和损失）都将每 1000 个批次记录到 TensorBoard 中。"batch" 是 1 的同义词，表示它们将在每个批次写入。但是，请注意，过于频繁地写入 TensorBoard 会降低训练速度，尤其是在与分布式策略一起使用时，因为它会产生额外的同步开销。批次级摘要写入也可通过 train_step 覆盖来实现。有关更多详细信息，请参阅 TensorBoard 标量教程 # noqa: E501。
profile_batch：（目前不支持）分析批次以采样计算特征。profile_batch 必须是非负整数或整数元组。一对正整数表示要分析的批次范围。默认情况下，禁用分析。
embeddings_freq：可视化嵌入层的频率（以 epoch 为单位）。如果设置为 0，则不会可视化嵌入。
embeddings_metadata：字典，将嵌入层名称映射到要保存嵌入层元数据的文件的名称。如果要对所有嵌入层使用相同的元数据文件，则可以传递单个文件名。

示例

tensorboard_callback = keras.callbacks.TensorBoard(log_dir="./logs")
model.fit(x_train, y_train, epochs=2, callbacks=[tensorboard_callback])
# Then run the tensorboard command to view the visualizations.

在子类化模型中自定义批次级摘要

class MyModel(keras.Model):

    def build(self, _):
        self.dense = keras.layers.Dense(10)

    def call(self, x):
        outputs = self.dense(x)
        tf.summary.histogram('outputs', outputs)
        return outputs

model = MyModel()
model.compile('sgd', 'mse')

# Make sure to set `update_freq=N` to log a batch-level summary every N
# batches.  In addition to any [`tf.summary`](https://tensorflowcn.cn/api_docs/python/tf/summary) contained in `model.call()`,
# metrics added in `Model.compile` will be logged every N batches.
tb_callback = keras.callbacks.TensorBoard('./logs', update_freq=1)
model.fit(x_train, y_train, callbacks=[tb_callback])

在函数式 API 模型中自定义批次级摘要

def my_summary(x):
    tf.summary.histogram('x', x)
    return x

inputs = keras.Input(10)
x = keras.layers.Dense(10)(inputs)
outputs = keras.layers.Lambda(my_summary)(x)
model = keras.Model(inputs, outputs)
model.compile('sgd', 'mse')

# Make sure to set `update_freq=N` to log a batch-level summary every N
# batches. In addition to any [`tf.summary`](https://tensorflowcn.cn/api_docs/python/tf/summary) contained in `Model.call`,
# metrics added in `Model.compile` will be logged every N batches.
tb_callback = keras.callbacks.TensorBoard('./logs', update_freq=1)
model.fit(x_train, y_train, callbacks=[tb_callback])

分析

# Profile a single batch, e.g. the 5th batch.
tensorboard_callback = keras.callbacks.TensorBoard(
    log_dir='./logs', profile_batch=5)
model.fit(x_train, y_train, epochs=2, callbacks=[tensorboard_callback])

# Profile a range of batches, e.g. from 10 to 20.
tensorboard_callback = keras.callbacks.TensorBoard(
    log_dir='./logs', profile_batch=(10,20))
model.fit(x_train, y_train, epochs=2, callbacks=[tensorboard_callback])

TensorBoard

TensorBoard 类

TensorBoard

TensorBoard 类

`TensorBoard` 类