Wyświetlanie danych tekstowych w TensorBoard

Zobacz na TensorFlow.org

Uruchom w Google Colab

Wyświetl źródło na GitHub

Pobierz notatnik

Przegląd

Korzystanie z TensorFlow tekst Podsumowanie API, można łatwo zalogować dowolny tekst i wyświetlić go w TensorBoard. Może to być niezwykle pomocne przy próbkowaniu i badaniu danych wejściowych lub rejestrowaniu metadanych wykonania lub wygenerowanego tekstu. Możesz również rejestrować dane diagnostyczne jako tekst, który może być pomocny w trakcie opracowywania modelu.

W tym samouczku wypróbujesz kilka podstawowych przypadków użycia interfejsu Text Summary API.

Ustawiać

try:
  # %tensorflow_version only exists in Colab.
  %tensorflow_version 2.x
except Exception:
  pass

# Load the TensorBoard notebook extension.
%load_ext tensorboard

import tensorflow as tf

from datetime import datetime
import json
from packaging import version
import tempfile

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

TensorFlow version:  2.5.0-dev20210219

Rejestrowanie pojedynczego fragmentu tekstu

Aby zrozumieć, jak działa Text Summary API, po prostu zarejestrujesz fragment tekstu i zobaczysz, jak jest prezentowany w TensorBoard.

my_text = "Hello world! 😃"

# Clear out any prior log data.
!rm -rf logs

# Sets up a timestamped log directory.
logdir = "logs/text_basics/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

# Using the file writer, log the text.
with file_writer.as_default():
  tf.summary.text("first_text", my_text, step=0)

Teraz użyj TensorBoard do zbadania tekstu. Poczekaj kilka sekund, aż interfejs się uruchomi.

%tensorboard --logdir logs

Organizowanie wielu strumieni tekstowych

Jeśli masz wiele strumieni tekstu, możesz przechowywać je w oddzielnych przestrzeniach nazw, aby ułatwić ich organizowanie, podobnie jak skalary lub inne dane.

Zwróć uwagę, że jeśli zapisujesz tekst w wielu krokach, TensorBoard podpróbkuje kroki do wyświetlenia, aby umożliwić zarządzanie prezentacją. Można kontrolować częstotliwość próbkowania przy użyciu --samples_per_plugin flagę.

# Sets up a second directory to not overwrite the first one.
logdir = "logs/multiple_texts/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

# Using the file writer, log the text.
with file_writer.as_default():
  with tf.name_scope("name_scope_1"):
    for step in range(20):
      tf.summary.text("a_stream_of_text", f"Hello from step {step}", step=step)
      tf.summary.text("another_stream_of_text", f"This can be kept separate {step}", step=step)
  with tf.name_scope("name_scope_2"):
    tf.summary.text("just_from_step_0", "This is an important announcement from step 0", step=0)

%tensorboard --logdir logs/multiple_texts --samples_per_plugin 'text=5'

Interpretacja przecen

TensorBoard interpretuje podsumowania tekstowe jako Markdown, ponieważ bogate formatowanie może sprawić, że rejestrowane dane będą łatwiejsze do odczytania i zrozumienia, jak pokazano poniżej. (Jeśli nie chcesz interpretację Markdown, zobacz ten problem dla obejścia interpretacji tłumić).

# Sets up a third timestamped log directory under "logs"
logdir = "logs/markdown/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

some_obj_worth_noting = {
  "tfds_training_data": {
      "name": "mnist",
      "split": "train",
      "shuffle_files": "True",
  },
  "keras_optimizer": {
      "name": "Adagrad",
      "learning_rate": "0.001",
      "epsilon": 1e-07,
  },
  "hardware": "Cloud TPU",
}


# TODO: Update this example when TensorBoard is released with
# https://github.com/tensorflow/tensorboard/pull/4585
# which supports fenced codeblocks in Markdown.
def pretty_json(hp):
  json_hp = json.dumps(hp, indent=2)
  return "".join("\t" + line for line in json_hp.splitlines(True))

markdown_text = """
### Markdown Text

TensorBoard supports basic markdown syntax, including:

    preformatted code

**bold text**

| and | tables |
| ---- | ---------- |
| among | others |
"""

with file_writer.as_default():
  tf.summary.text("run_params", pretty_json(some_obj_worth_noting), step=0)
  tf.summary.text("markdown_jubiliee", markdown_text, step=0)

%tensorboard --logdir logs/markdown