Tensorflow2.0--可视化工具Tensorboard

Tensorflow2.0--可视化工具Tensorboard | Ecency

books in shelf

image from unsplash.com by Tara Hegerty

之前的文章介绍过如何在 Keras 中快速调用 Tensorboard 这个可视化工具，这篇文章我们再深入探讨一下 Tensorboard 在T Tensorflow 2.0 下如何使用。

本文源代码请关注微信公众号(二维码见文末)获取

1. Tensorboard 工作原理

简单来说，tensorboard 就是通过监听定目录下的 log 文件然后在 Web 端将 log 文件中需要监听的变量可视化出来的过程。

所以，使用 Tensorflow 大致分为以下三步：

创建监听目录 logdir

创建 summary_writer 对象写入 logdir

将数据写入到 summary_writer 中

2. Tensorboard 监听变量

我们用 Tensorboard 最多的就是实时观察 loss 和 accuracy 在训练过程中的变化，下面就以 MNIST 识别手写数字为例，介绍如何使用 Tensorboard.

首先，创建监听目录和 summary_witer 目录名字加上时间戳，以避免混淆。

current_time = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
log_dir = 'logs/' + current_time
summary_writer = tf.summary.create_file_writer(log_dir)

然后，训练过程中将数据写入 summary_witer 中。这里我们将每个 epoch 中的 loss 和 accuracy 写入，仅需要在 epoch 的循环中加入以下代码：

  with summary_writer.as_default():
    tf.summary.scalar("epoch_loss", loss.numpy(), step=epoch)
    tf.summary.scalar("epoch_test_acc", accuracy, step=epoch)

其他部分关于模型的建立，训练和测试，参考之前的文章，这里就不赘述了。

当然，我们也可以监听每个 epoch 下，每(若干)个step，仅需要在 step 的循环中加入如下代码，注意，为了避免重复，监听变量的名字也加上了 epoch 的数字：

      with summary_writer.as_default():
        tf.summary.scalar("loss epoch: "+str(epoch), loss.numpy(), step = step)
        tf.summary.scalar("test_acc epoch: "+str(epoch), accuracy, step = step)