遷移 TensorBoard：TensorFlow 的視覺化工具套件

在 TensorFlow.org 上檢視 在 Google Colab 中執行 在 GitHub 上檢視原始碼 下載筆記本

TensorBoard 是一種內建工具，用於在 TensorFlow 中提供測量和視覺化。常見的機器學習實驗指標 (例如準確度和損失) 可以在 TensorBoard 中追蹤和顯示。TensorBoard 與 TensorFlow 1 和 2 程式碼相容。

在 TensorFlow 1 中，tf.estimator.Estimator 預設會儲存 TensorBoard 的摘要。相較之下，在 TensorFlow 2 中，可以使用 tf.keras.callbacks.TensorBoard 回呼來儲存摘要。

本指南示範如何使用 TensorBoard，首先在 TensorFlow 1 中搭配 Estimator 使用，然後說明如何在 TensorFlow 2 中執行對等程序。

設定

import tensorflow.compat.v1 as tf1
import tensorflow as tf
import tempfile
import numpy as np
import datetime
%load_ext tensorboard

mnist = tf.keras.datasets.mnist # The MNIST dataset.

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

TensorFlow 1：搭配 tf.estimator 的 TensorBoard

在此 TensorFlow 1 範例中，您會執行個體化 tf.estimator.DNNClassifier、在 MNIST 資料集上訓練和評估它，並使用 TensorBoard 顯示指標

%reload_ext tensorboard

feature_columns = [tf1.feature_column.numeric_column("x", shape=[28, 28])]

config = tf1.estimator.RunConfig(save_summary_steps=1,
                                 save_checkpoints_steps=1)

path = tempfile.mkdtemp()

classifier = tf1.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[256, 32],
    optimizer=tf1.train.AdamOptimizer(0.001),
    n_classes=10,
    dropout=0.1,
    model_dir=path,
    config = config
)

train_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_train},
    y=y_train.astype(np.int32),
    num_epochs=10,
    batch_size=50,
    shuffle=True,
)

test_input_fn = tf1.estimator.inputs.numpy_input_fn(
    x={"x": x_test},
    y=y_test.astype(np.int32),
    num_epochs=10,
    shuffle=False
)

train_spec = tf1.estimator.TrainSpec(input_fn=train_input_fn, max_steps=10)
eval_spec = tf1.estimator.EvalSpec(input_fn=test_input_fn,
                                   steps=10,
                                   throttle_secs=0)

tf1.estimator.train_and_evaluate(estimator=classifier,
                                train_spec=train_spec,
                                eval_spec=eval_spec)

%tensorboard --logdir {classifier.model_dir}

TensorFlow 2：搭配 Keras 回呼和 Model.fit 的 TensorBoard

在此 TensorFlow 2 範例中，您可以使用 tf.keras.callbacks.TensorBoard 回呼建立和儲存記錄，並訓練模型。此回呼會追蹤每個 epoch 的準確度和損失。它會在 callbacks 清單中傳遞至 Model.fit。

%reload_ext tensorboard

def create_model():
  return tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28), name='layers_flatten'),
    tf.keras.layers.Dense(512, activation='relu', name='layers_dense'),
    tf.keras.layers.Dropout(0.2, name='layers_dropout'),
    tf.keras.layers.Dense(10, activation='softmax', name='layers_dense_2')
  ])

model = create_model()
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'],
              steps_per_execution=10)

log_dir = tempfile.mkdtemp()
tensorboard_callback = tf.keras.callbacks.TensorBoard(
  log_dir=log_dir,
  histogram_freq=1) # Enable histogram computation with each epoch.

model.fit(x=x_train,
          y=y_train,
          epochs=10,
          validation_data=(x_test, y_test),
          callbacks=[tensorboard_callback])

%tensorboard --logdir {tensorboard_callback.log_dir}

後續步驟