小白带你如何快速开始使用TensorBoard

置顶 KENYCHEN奉孝

已于 2025-07-03 06:07:45 修改

阅读量502

点赞数 2

CC 4.0 BY-SA版权

分类专栏： python实践大全机器学习、AI人工智能OnALL 文章标签： tensorflow 深度学习人工智能

于 2020-05-20 11:47:44 首次发布

本文链接：https://blog.csdn.net/keny88888/article/details/106231608

python实践大全同时被 2 个专栏收录

171 篇文章

订阅专栏

机器学习、AI人工智能OnALL

128 篇文章

订阅专栏

本文介绍了机器学习工具TensorBoard，它可提供机器学习工作流所需的测量和可视化。文中以mnist为例，讲解了如何快速开始使用TensorBoard，包括建立模型、在model.fit中使用、页面展现、仪表板作用等内容，还说明了如何继续用仪表盘查看算法调动。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习的 TensorBoard

TensorBoard是一个工具，用于提供机器学习工作流期间所需的测量和可视化。它可以跟踪实验指标，如损失和精度，可视化模型图，将嵌入投影到低维空间，等等。

如何快速开始使用TensorBoard

使用mnist的例子进行TensorBoard例子

建立模型

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')
  ])

在model.fit和TensorBoard使用

项目的目录需要建立一个logs/fit目录，手工建立即可。model训练时候，会有回调callBacks=[tensortboard_callback]将日志按照时间搓的写入到文件夹中的文件中。

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])

运行记录截取部分。生成的目录文件夹截取

在项目的目录下运行 tensorboard --logdir logs/fit

tensorboard --logdir logs/fit
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.1.1 at http://localhost:6006/ (Press CTRL+C to quit)

页面展现

仪表板作用

Scalars仪表板显示了损失和度量是如何随每个时代而变化的。您还可以使用它来跟踪训练速度、学习率和其他标量值。
图形仪表板帮助您可视化模型。在这种情况下，将显示层的路缘石图形，这有助于确保正确构建。
分布图和直方图仪表板显示了张量随时间的分布。这有助于可视化权重和偏差，并验证它们是否以预期的方式变化。

继续用TensorFlow仪表盘

用仪表盘查看算法调动。如

开始训练。在训练或者测试期间，在编写器的范围内记录指标（损失和准确性），以便将摘要写入磁盘。您可以控制记录哪些指标以及记录的频率。其他tf.总结函数允许记录其他类型的数据。保存到目录如下图

再次打开仪表盘

 tensorboard --logdir logs/gradient_tape
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.1.1 at http://localhost:6006/ (Press CTRL+C to quit)