Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Zacznij korzystać z TensorBoard

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub

W uczeniu maszynowym, aby coś ulepszyć, często trzeba umieć to zmierzyć. TensorBoard to narzędzie umożliwiające pomiary i wizualizacje potrzebne w procesie uczenia maszynowego. Umożliwia śledzenie parametrów eksperymentu, takich jak utrata i dokładność, wizualizację wykresu modelu, rzutowanie osadzeń w przestrzeni o niższych wymiarach i wiele więcej.

Ten przewodnik Szybki start pokaże, jak szybko rozpocząć pracę z TensorBoard. Pozostałe przewodniki w tej witrynie zawierają więcej informacji na temat określonych funkcji, z których wiele nie jest tutaj uwzględnionych.

# Load the TensorBoard notebook extension
%load_ext tensorboard
import tensorflow as tf
import datetime
# Clear any logs from previous runs
!rm -rf ./logs/ 

Korzystając z zestawu danych MNIST jako przykładu, znormalizuj dane i napisz funkcję, która tworzy prosty model Keras do klasyfikowania obrazów na 10 klas.

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = 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(512, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
  ])
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step

Używanie TensorBoard z Keras Model.fit ()

Podczas treningu z Keras's Model.fit () dodanie wywołania zwrotnego tf.keras.callbacks.TensorBoard zapewnia tworzenie i przechowywanie dzienników. Dodatkowo włącz obliczanie histogramu w każdej epoce z histogram_freq=1 (to jest domyślnie wyłączone)

Umieść dzienniki w podkatalogu ze znacznikiem czasu, aby umożliwić łatwy wybór różnych przebiegów treningowych.

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

log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)

model.fit(x=x_train, 
          y=y_train, 
          epochs=5, 
          validation_data=(x_test, y_test), 
          callbacks=[tensorboard_callback])
Train on 60000 samples, validate on 10000 samples
Epoch 1/5
60000/60000 [==============================] - 15s 246us/sample - loss: 0.2217 - accuracy: 0.9343 - val_loss: 0.1019 - val_accuracy: 0.9685
Epoch 2/5
60000/60000 [==============================] - 14s 229us/sample - loss: 0.0975 - accuracy: 0.9698 - val_loss: 0.0787 - val_accuracy: 0.9758
Epoch 3/5
60000/60000 [==============================] - 14s 231us/sample - loss: 0.0718 - accuracy: 0.9771 - val_loss: 0.0698 - val_accuracy: 0.9781
Epoch 4/5
60000/60000 [==============================] - 14s 227us/sample - loss: 0.0540 - accuracy: 0.9820 - val_loss: 0.0685 - val_accuracy: 0.9795
Epoch 5/5
60000/60000 [==============================] - 14s 228us/sample - loss: 0.0433 - accuracy: 0.9862 - val_loss: 0.0623 - val_accuracy: 0.9823

<tensorflow.python.keras.callbacks.History at 0x7fc8a5ee02e8>

Uruchom TensorBoard z wiersza poleceń lub w środowisku notebooka. Te dwa interfejsy są zasadniczo takie same. W notebookach użyj magii linii %tensorboard . W wierszu poleceń uruchom to samo polecenie bez „%”.

%tensorboard --logdir logs/fit

Krótki przegląd wyświetlanych pulpitów nawigacyjnych (karty na górnym pasku nawigacyjnym):

  • Pulpit nawigacyjny Skalary pokazuje, jak straty i wskaźniki zmieniają się z każdą epoką. Możesz go również używać do śledzenia szybkości treningu, szybkości uczenia się i innych wartości skalarnych.
  • Pulpit nawigacyjny Wykresy pomaga w wizualizacji modelu. W tym przypadku wyświetlany jest wykres warstw Keras, który może pomóc w upewnieniu się, że jest on poprawnie zbudowany.
  • Pulpity nawigacyjne Dystrybucje i Histogramy pokazują rozkład Tensora w czasie. Może to być przydatne do wizualizacji wag i uprzedzeń oraz sprawdzenia, czy zmieniają się one w oczekiwany sposób.

Dodatkowe wtyczki TensorBoard są automatycznie włączane podczas logowania innych typów danych. Na przykład wywołanie zwrotne Keras TensorBoard umożliwia również rejestrowanie obrazów i osadzeń. Możesz zobaczyć, jakie inne wtyczki są dostępne w TensorBoard, klikając menu „nieaktywne” w prawym górnym rogu.

Używanie TensorBoard z innymi metodami

Podczas uczenia przy użyciu metod, takich jak tf.GradientTape() , użyj tf.summary do rejestrowania wymaganych informacji.

Użyj tego samego zbioru danych co powyżej, ale przekonwertuj go na tf.data.Dataset aby skorzystać z możliwości przetwarzania wsadowego:

train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
test_dataset = tf.data.Dataset.from_tensor_slices((x_test, y_test))

train_dataset = train_dataset.shuffle(60000).batch(64)
test_dataset = test_dataset.batch(64)

Kod szkoleniowy jest zgodny z zaawansowanym samouczkiem Szybki start, ale pokazuje, jak rejestrować metryki w TensorBoard. Wybierz stratę i optymalizator:

loss_object = tf.keras.losses.SparseCategoricalCrossentropy()
optimizer = tf.keras.optimizers.Adam()

Twórz metryki stanowe, których można użyć do gromadzenia wartości podczas uczenia i rejestrowanych w dowolnym momencie:

# Define our metrics
train_loss = tf.keras.metrics.Mean('train_loss', dtype=tf.float32)
train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy('train_accuracy')
test_loss = tf.keras.metrics.Mean('test_loss', dtype=tf.float32)
test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy('test_accuracy')

Zdefiniuj funkcje treningowe i testowe:

def train_step(model, optimizer, x_train, y_train):
  with tf.GradientTape() as tape:
    predictions = model(x_train, training=True)
    loss = loss_object(y_train, predictions)
  grads = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(grads, model.trainable_variables))

  train_loss(loss)
  train_accuracy(y_train, predictions)

def test_step(model, x_test, y_test):
  predictions = model(x_test)
  loss = loss_object(y_test, predictions)

  test_loss(loss)
  test_accuracy(y_test, predictions)

Skonfiguruj osoby zapisujące podsumowania, aby zapisywały podsumowania na dysku w innym katalogu dzienników:

current_time = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
train_log_dir = 'logs/gradient_tape/' + current_time + '/train'
test_log_dir = 'logs/gradient_tape/' + current_time + '/test'
train_summary_writer = tf.summary.create_file_writer(train_log_dir)
test_summary_writer = tf.summary.create_file_writer(test_log_dir)

Zacznij trenować. Użyj tf.summary.scalar() aby rejestrować metryki (utratę i dokładność) podczas szkolenia / testowania w zakresie, w jakim autorzy podsumowań zapisują podsumowania na dysk. Masz kontrolę nad tym, które metryki należy rejestrować i jak często to robić. Inne funkcje tf.summary umożliwiają logowanie innych typów danych.

model = create_model() # reset our model

EPOCHS = 5

for epoch in range(EPOCHS):
  for (x_train, y_train) in train_dataset:
    train_step(model, optimizer, x_train, y_train)
  with train_summary_writer.as_default():
    tf.summary.scalar('loss', train_loss.result(), step=epoch)
    tf.summary.scalar('accuracy', train_accuracy.result(), step=epoch)

  for (x_test, y_test) in test_dataset:
    test_step(model, x_test, y_test)
  with test_summary_writer.as_default():
    tf.summary.scalar('loss', test_loss.result(), step=epoch)
    tf.summary.scalar('accuracy', test_accuracy.result(), step=epoch)
  
  template = 'Epoch {}, Loss: {}, Accuracy: {}, Test Loss: {}, Test Accuracy: {}'
  print (template.format(epoch+1,
                         train_loss.result(), 
                         train_accuracy.result()*100,
                         test_loss.result(), 
                         test_accuracy.result()*100))

  # Reset metrics every epoch
  train_loss.reset_states()
  test_loss.reset_states()
  train_accuracy.reset_states()
  test_accuracy.reset_states()
Epoch 1, Loss: 0.24321186542510986, Accuracy: 92.84333801269531, Test Loss: 0.13006582856178284, Test Accuracy: 95.9000015258789
Epoch 2, Loss: 0.10446818172931671, Accuracy: 96.84833526611328, Test Loss: 0.08867532759904861, Test Accuracy: 97.1199951171875
Epoch 3, Loss: 0.07096975296735764, Accuracy: 97.80166625976562, Test Loss: 0.07875105738639832, Test Accuracy: 97.48999786376953
Epoch 4, Loss: 0.05380449816584587, Accuracy: 98.34166717529297, Test Loss: 0.07712937891483307, Test Accuracy: 97.56999969482422
Epoch 5, Loss: 0.041443776339292526, Accuracy: 98.71833038330078, Test Loss: 0.07514958828687668, Test Accuracy: 97.5

Otwórz ponownie TensorBoard, tym razem wskazując na nowy katalog dziennika. Mogliśmy również uruchomić TensorBoard, aby monitorować postęp treningu.

%tensorboard --logdir logs/gradient_tape

Otóż ​​to! Wiesz już, jak używać TensorBoard zarówno poprzez wywołanie zwrotne Keras, jak i tf.summary celu uzyskania bardziej niestandardowych scenariuszy.

TensorBoard.dev: Hostuj i udostępniaj wyniki eksperymentu ML

TensorBoard.dev to bezpłatna usługa publiczna, która umożliwia przesyłanie dzienników TensorBoard i uzyskiwanie bezpośredniego linku, który można udostępniać wszystkim w artykułach naukowych, postach na blogach, mediach społecznościowych itp. Umożliwia to lepszą odtwarzalność i współpracę.

Aby użyć TensorBoard.dev, uruchom następujące polecenie:

!tensorboard dev upload \
  --logdir logs/fit \
  --name "(optional) My latest experiment" \
  --description "(optional) Simple comparison of several hyperparameters" \
  --one_shot

Zauważ, że to wywołanie używa przedrostka wykrzyknika ( ! ) Do wywołania powłoki, a nie przedrostka procentu ( % ), aby wywołać magię colab. Podczas wywoływania tego polecenia z wiersza poleceń nie ma potrzeby stosowania żadnego przedrostka.

Zobacz przykład tutaj .

Aby uzyskać więcej informacji na temat korzystania z TensorBoard.dev, zobacz https://tensorboard.dev/#get-started