[PYTHON] Einfache 3 Minuten TensorBoard in Google Colab (mit TensorFlow 2.x)

Bei Verwendung von TensorFlow wird TensorBoard häufig verwendet, um den Lernstatus zu visualisieren. Es ist sehr praktisch, den Status interaktiv auf dem Webbildschirm anzeigen zu können, aber es waren einige Spielereien erforderlich, um in Google Colaboratory darauf zu verweisen. TensorFlow 2.x scheint in Google Colab einfach zu verwenden zu sein. Also werde ich es versuchen.

Ausführungsumgebung

Verwenden Sie Google Colaboratory.

Beispielcode

Weitere Informationen zur Verwendung von TensorBoard von Google Colab finden Sie auf der offiziellen TensorFlow-Seite. https://www.tensorflow.org/tensorboard/tensorboard_in_notebooks

Führen Sie den magischen Befehl zur Verwendung von TensorFlow 2.x aus.

from __future__ import absolute_import, division, print_function, unicode_literals

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

Führen Sie dann den Befehl magic aus, um das TensorBoard zu laden.

# Load the TensorBoard notebook extension
%load_ext tensorboard

Erstellen Sie ein einfaches Modell mit MNIST (Bilddaten von Zahlen, die häufig als Beispiel verwendet werden). Keras ist sehr einfach.

import tensorflow as tf
from tensorflow.keras.callbacks import TensorBoard

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

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

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

Geben Sie model.fit () eine Rückruffunktion für TensorBoard. Dieser Bereich entspricht der normalen Verwendung von TensorBoard.

tf_callback = TensorBoard(log_dir="logs", histogram_freq=1)
model.fit(x_train, y_train, epochs=5, callbacks=[tf_callback])

model.evaluate(x_test,  y_test, verbose=2)

Zeigen Sie TensorBoard an, indem Sie den Speicherort des Protokolls angeben.

%tensorboard --logdir logs

Ausführungsergebnis

Sie können das TesorBoard wie folgt in Ihrem Notebook anzeigen:

Es scheint, dass die Anzeige derzeit lange dauert, aber ich konnte TensorBoard auf dem Notebook anzeigen.