TensorBoard 的简介与快速上手

在之前的学习之中，我们已经对整个机器学习的结构有了一个大致的了解，但是我们在查看训练结果的时候只采用了两种可视化方法：

• 使用 print 或者 log 来打印出一些日志与结果；
• 使用 pyplot 来进行运行结果的可视化。

这两种结果各有优劣，第一种方法比较快速，能够在训练的时候直接查看，但是却不够直观；而第二种方法能够很直观的看到变化，但是却只能在训练结束后查看。有没有一种更好的方法来做到实时的、快速地、直观的查看呢？

那就是接下来几节课我们要学习的可视化工具 —— TensorBoard 。

1. 什么是 TensorBoard

TensorBoard 是一个工具包，它提供机器学习实验所需的可视化功能和工具。

值得注意的是，这里并没有明确说明要使用 TensorFlow 框架才能使用 TensorBoard 才能进行可视化工作。因此在实际中，很多的其他框架之中都内置了 TensorBoard 的工具，比如 PyTorch 等。总体而言，TensorBoard 是一个通用的，高效率的可视化工具。

具体而言，TensorBoard 可以实现以下的功能：

• 对准确率、训练损失等参数进行可视化工作；
• 对模型的架构进行可视化工作；
• 对文本、图片、音频等媒体数据进行显示；
• 查看权重、偏差的直方图；
• 等等。

在这里，结合我们之前的训练例子，我们会更多地对前三点应用进行讲解。

2. TensorBoard 的安装

一般情况下，当你安装 TensorFlow 的时候，已经默认帮你安装了 TensorBoard ，你只需要直接使用即可。但是也不排除某些特殊情况导致没有一起安装的情况。

2.1 使用 PIP 安装

使用 PIP 安装比较简单，直接运行以下命令即可：

pip install TensorBoard

如果网络连接失败，可以参考以前的 TensorFlow 安装教程进行镜像的更换。

2.2 使用 Anaconda 安装

如果有些同学是在 Anaconda 环境中进行的操作，那么推荐使用 Anaconda 命令进行安装：

conda install TensorBoard

通过这样的操作，我们就完成了 TensorBoard 的安装工作。

3. TensorBoard 的快速上手使用

既然已经安装了 TensorBoard ，那么接下来我们便来看一下如何快速上手使用 TensorBoard 。

在这里，我们并不会进行更加深入的学习，也不会记录过于复杂的数据，这一节的目的是让大家对 TensorBoard 的整体使用流程有一个大致的了解。

首先，我们编写一段很平常的 Mnist 数据集的识别程序：

首先，我们进行数据集的获取与模型的构建：

import tensorflow as tf

(x_train, y_train),(x_test, y_test) = tf.keras.datasets.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(256, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
  ])

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

这是一个非常简单的线性程序，并且我们在模型编译的过程之中，指定记录的指标包括准确率（accuracy）。

然后我们进行模型的训练，同时进行相应的记录工作：

tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='./logs')

model.fit(x=x_train, y=y_train, 
          epochs=3, 
          validation_data=(x_test, y_test), 
          callbacks=[tensorboard_callback])

在这里，我们定义了一个回调，该回调是 TensorBoard 回调，该回调会在模型训练的时候进行日志的输出与构建工作。

在这里我们只指定了一个参数：

• logdir：用于存放日志的目录。

在后续的学习之中，我们会陆续学习到更多的参数与使用方法。

运行程序，我们可以得到如下输出：

Epoch 1/3
1875/1875 [==============================] - 5s 3ms/step - loss: 0.2252 - accuracy: 0.9344 - val_loss: 0.1082 - val_accuracy: 0.9684
Epoch 2/3
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0933 - accuracy: 0.9712 - val_loss: 0.1037 - val_accuracy: 0.9672
Epoch 3/3
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0622 - accuracy: 0.9807 - val_loss: 0.0705 - val_accuracy: 0.9783
<tensorflow.python.keras.callbacks.History at 0x7f5500172f98>

然后我们在当前目录下运行终端，并且输入命令：

tensorboard --logdir logs

其中 --logdir 的参数就是我们刚才指定的日志目录，通过运行以上命令，我们能得到相应的输出，通过输出我们可以发现，我们的 TensorBoard 目前在 localhost:6006 端口运行。

在浏览器中打开 localhost:6006 ，我们就可以发现如下界面：

我们可以发现，该页面一共有两个选项卡，第一个选项卡包含了两个图表：

• 训练集、测试集的准确率的图表；
• 训练集、测试集的 Loss 的变化的图表。

其中第二个图表是自动生成的，也就是说 TensorBoard 会自动记录 Loss 变化；而第一个图表是由我们编译模型的时候指定的。

打开第二个选项卡，我们可以看到我们的网络的模型：

该模型图展示了我们的网络模型，并且支持缩放等功能。

4. 小结

在这节课中，我们学习了什么是 TensorBoard ，同时了解了如何安装 TensorBoard ，最后，我们通过一个具体的实例了解了 TensorBoard 的具体使用方法以及整体的流程。