TensorBoard
TensorBoard er et visualiseringsværktøj til TensorFlow, der bruges til at logge, overvåge og visualisere træningsforløb, metrikker, grafer og data under maskinlæringsmodeller.
Kort fortalt
TensorBoard er et dashboard, der viser grafer over træningsforløb, fejl og modelarkitektur, så du let kan debugge og optimere dine neurale netværk.
- Kategori
- værktøj
- Niveau
- øvet
Betydninger
1- 1
En webbaseret applikation, der visualiserer logdata fra TensorFlow-eksperimenter, herunder metrikker, histogrammer, grafer, embeddings og billeddata.
- Efter at have tilføjet et TensorBoard-callback, kan du starte tensorboard --logdir=logs for at åbne dashboardet. — TensorFlow dokumentation
- TensorBoard gjorde det nemt at se, at modellen overfittede efter 10 epoker.
Hvornår bruges det
TensorBoard anvendes ofte i udviklingsfasen af deep learning-projekter, især med TensorFlow/Keras, til at overvåge tab, nøjagtighed og aktivere grafvisualisering. Det kan også bruges til at sammenligne flere kørsler og distribuere logging over flere maskiner.
Kodeeksempel
import tensorflow as tf
model = tf.keras.models.Sequential([...])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# Add TensorBoard callback
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_train, y_train, epochs=5, callbacks=[tensorboard_callback])Eksempel på brug af TensorBoard-callback i Keras til at logge træningsdata til et tidsstemplet log-mappe.
Oprindelse
Ordet er en sammentrækning af 'Tensor' (fra TensorFlow) og 'Board' (som i dashboard/tavle). Værktøjet blev lanceret af Google i 2015.