Tensorboard是可视化图形界面。并包含理解，调试和优化模型的其他工具。
图片.png
Scalars：在模型训练期间显示不同的有用信息
Graphs：显示模型
Histogram：使用直方图显示权重
Distribution：显示权重分布
Projector 显示主成分分析和T-SNE算法。该技术用于降维
如果查看图表，可以了解模型的工作原理。
数据排队模型：将等于批量大小的数据量推送到模型，即每次迭代后的数据馈送数量
将数据提供给Tensors
训练模型
显示训练期间的批次数。将模型保存在磁盘上。
图片.png
tensorboard背后的基本思想是神经网络为黑盒子，我们需要工具来检查这个盒子里面的东西。您可以将tensorboard想象成一个手电筒。
它有助于理解操作之间的依赖关系，如何计算权重，显示损失函数和许多其他有用信息。当您将所有这些信息组合在一起时，您就拥有了很好的工具来调试并改进模型。
图片.png
神经网络决定如何在模型预测结果之前连接不同的“神经元”和多少层。一旦定义了体系结构，您不仅需要训练模型，还需要使用度量来计算预测的准确性。该度量被称为损失函数。目标是最小化损失函数。换句话说，这意味着模型减少了错误。所有机器学习算法将重复多次计算，直到损失达到更平坦的线。要最大限度地减少此丢失功能，您需要定义学习率。这是您希望模型学习的速度。如果您将学习率设置得太高，则模型没有时间学习任何东西。左图是这种情况。线条正在上下移动，这意味着模型预测纯粹的猜测结果。右图显示损失在迭代中逐渐减少，直到曲线变平，这意味着模型找到了解决方案。
TensorBoard是一个很好的工具，可以显示这些指标并突出潜在的问题。神经网络在找到解决方案之前可能需要数小时到数周。
TensorBoard经常更新指标。在这种情况下，您无需等到最后才能看到模型是否正确训练。您可以打开TensorBoard检查训练的进展情况，并在必要时进行适当的更改。
TensorBoard快速入门代码：
#!/usr/bin/env python3# -*- coding: utf-8 -*-# Author: xurongzhong#126.com wechat:pythontesting qq:37391319# 技术支持 钉钉群：21745728(可以加钉钉pythontesting邀请加入) # qq群：144081101 591302926 567351477# CreateDate: 2018-11-21import numpy as npimport tensorflow as tf
X_train = (np.random.sample((10000,5)))
y_train = (np.random.sample((10000,1)))
X_train.shape
feature_columns = [
tf.feature_column.numeric_column('x', shape=X_train.shape[1:])]
DNN_reg = tf.estimator.DNNRegressor(feature_columns=feature_columns,# Indicate where to store the log file
model_dir='train/linreg',
hidden_units=[500, 300],
optimizer=tf.train.ProximalAdagradOptimizer(
learning_rate=0.1,
l1_regularization_strength=0.001
)
)# Train the estimatortrain_input = tf.estimator.inputs.numpy_input_fn(
x={"x": X_train},
y=y_train, shuffle=False,num_epochs=None)
DNN_reg.train(train_input,steps=3000)执行 tensorboard --logdir=./train/linreg，就可以在网页打开tensorboard 。比如：http://172.20.16.98:6006。
图片.png
作者：python作业AI毕业设计
链接：https://www.jianshu.com/p/cf15625250ec
