TensorFlowグラフの調査

概観

TensorBoardのグラフダッシュボードは、TensorFlowモデルを調べるための強力なツールです。モデルの構造の概念グラフをすばやく表示して、意図した設計と一致していることを確認できます。演算レベルのグラフを表示して、TensorFlowがプログラムをどのように理解しているかを理解することもできます。 opレベルのグラフを調べると、モデルの変更方法に関する洞察が得られます。たとえば、トレーニングの進行が予想よりも遅い場合は、モデルを再設計できます。

このチュートリアルでは、グラフ診断データを生成してTensorBoardのグラフダッシュボードで視覚化する方法の概要を示します。 Fashion-MNISTデータセットの単純なKeras順次モデルを定義してトレーニングし、モデルグラフを記録して調べる方法を学びます。また、トレースAPIを使用して、新しいtf.functionアノテーションを使用して作成された関数のグラフデータを生成します。

セットアップ

 # Load the TensorBoard notebook extension.
%load_ext tensorboard

 from datetime import datetime
from packaging import version

import tensorflow as tf
from tensorflow import keras

print("TensorFlow version: ", tf.__version__)
assert version.parse(tf.__version__).release[0] >= 2, \
    "This notebook requires TensorFlow 2.0 or above."

TensorFlow version:  2.2.0

 import tensorboard
tensorboard.__version__

'2.2.1'

 # Clear any logs from previous runs
!rm -rf ./logs/

Kerasモデルを定義する

この例では、分類子は単純な4層の順次モデルです。

 # Define the model.
model = keras.models.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(32, activation='relu'),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10, activation='softmax')
])

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

トレーニングデータをダウンロードして準備します。

 (train_images, train_labels), _ = keras.datasets.fashion_mnist.load_data()
train_images = train_images / 255.0

モデルのトレーニングとデータのログ

トレーニングの前に、ログディレクトリを指定して、 Keras TensorBoardコールバックを定義します。このコールバックをModel.fit（）に渡すことにより、グラフデータがTensorBoardでの視覚化のためにログに記録されることを保証します。

 # Define the Keras TensorBoard callback.
logdir="logs/fit/" + datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = keras.callbacks.TensorBoard(log_dir=logdir)

# Train the model.
model.fit(
    train_images,
    train_labels, 
    batch_size=64,
    epochs=5, 
    callbacks=[tensorboard_callback])

Epoch 1/5
938/938 [==============================] - 2s 2ms/step - loss: 0.6955 - accuracy: 0.7618
Epoch 2/5
938/938 [==============================] - 2s 2ms/step - loss: 0.4877 - accuracy: 0.8296
Epoch 3/5
938/938 [==============================] - 2s 2ms/step - loss: 0.4458 - accuracy: 0.8414
Epoch 4/5
938/938 [==============================] - 2s 2ms/step - loss: 0.4246 - accuracy: 0.8476
Epoch 5/5
938/938 [==============================] - 2s 2ms/step - loss: 0.4117 - accuracy: 0.8508

<tensorflow.python.keras.callbacks.History at 0x7f656ecc3fd0>

運用レベルのグラフ

TensorBoardを起動し、UIが読み込まれるまで数秒待ちます。上部の[グラフ]をタップして、グラフダッシュボードを選択します。

 %tensorboard --logdir logs

デフォルトでは、TensorBoardは演算レベルのグラフを表示します 。（左側では、「デフォルト」タグが選択されています。）グラフが反転していることに注意してください。データは下から上に流れるため、コードと比べて上下が逆になります。ただし、グラフがKerasモデル定義とほぼ一致しており、他の計算ノードへのエッジが余分にあることがわかります。

グラフは非常に大きいことが多いため、グラフの視覚化を操作できます。

スクロールしてズームインおよびズームアウト
ドラッグしてパン
ダブルクリックするとノードの展開が切り替わります（ノードは他のノードのコンテナにすることができます）

ノードをクリックしてメタデータを表示することもできます。これにより、入力、出力、形状、その他の詳細を確認できます。

概念グラフ

TensorBoardは、実行グラフに加えて、 概念グラフも表示します。これは、Kerasモデルのみのビューです。これは、保存したモデルを再利用していて、その構造を調べたり検証したりする場合に役立ちます。

概念グラフを表示するには、「keras」タグを選択します。この例では、折りたたまれたSequentialノードが表示されます。ノードをダブルクリックして、モデルの構造を確認します。

tf.functionsのグラフ

これまでの例では、Kerasモデルのグラフについて説明しました。グラフは、Kerasレイヤーを定義し、Model.fit（）を呼び出すことによって作成されています。

tf.functionアノテーションを使用して「オートグラフ」、つまりPython計算関数を高性能のTensorFlowグラフに変換する必要がある場合があります。これらの状況では、 TensorFlowサマリートレースAPIを使用して、TensorBoardで視覚化するためのサイン入り関数をログに記録します。

サマリートレースAPIを使用するには：

関数を定義してtf.function注釈を付ける
関数呼び出しサイトの直前にtf.summary.trace_on()使用します。
profiler=Trueを渡して、プロファイル情報（メモリ、CPU時間）をグラフに追加します。
サマリーファイルライターで、 tf.summary.trace_export()を呼び出してログデータを保存します。

その後、TensorBoardを使用して、関数の動作を確認できます。

 # The function to be traced.
@tf.function
def my_func(x, y):
  # A simple hand-rolled layer.
  return tf.nn.relu(tf.matmul(x, y))

# Set up logging.
stamp = datetime.now().strftime("%Y%m%d-%H%M%S")
logdir = 'logs/func/%s' % stamp
writer = tf.summary.create_file_writer(logdir)

# Sample data for your function.
x = tf.random.uniform((3, 3))
y = tf.random.uniform((3, 3))

# Bracket the function call with
# tf.summary.trace_on() and tf.summary.trace_export().
tf.summary.trace_on(graph=True, profiler=True)
# Call only one tf.function when tracing.
z = my_func(x, y)
with writer.as_default():
  tf.summary.trace_export(
      name="my_func_trace",
      step=0,
      profiler_outdir=logdir)

 %tensorboard --logdir logs/func

これで、TensorBoardで理解されている関数の構造を確認できます。「プロファイル」ラジオボタンをクリックして、CPUとメモリの統計を表示します。