 在 TensorFlow.org 上查看 |
 在 Google Colab 中运行 |
 在 Github 上查看源代码 |
 下载笔记本 |
TensorBoard 可以直接在诸如 Colab 和 Jupyter 一类的笔记本体验中使用。这有助于共享结果、将 TensorBoard 集成到现有工作流，以及在不进行任何本地安装的情况下使用 TensorBoard。
设置
首先，安装 TF 2.0 并加载 TensorBoard 笔记本扩展程序：
针对 Jupyter 用户：如果您已经将 Jupyter 和 TensorBoard 安装在同一 virtualenv 中，那么您无需进行其他设置。如果您使用更复杂的设置，例如为不同 Conda/virtualenv 环境使用全局 Jupyter 安装和内核，则必须确保 tensorboard 二进制文件位于 Jupyter 笔记本上下文内的 PATH 中。执行此操作的一种方法是修改 kernel_spec，在 PATH 前添加环境的 bin 目录，如此处所述。
对于 Docker 用户：如果您使用 TensorFlow 的 Nightly 版本运行 Jupyter Notebook 服务器的 Docker 镜像，则不仅要公开笔记本的端口，还要公开 TensorBoard 的端口。因此，使用以下命令运行容器：
docker run -it -p 8888:8888 -p 6006:6006 \
tensorflow/tensorflow:nightly-py3-jupyter
其中，-p 6006 为 TensorBoard 的默认端口。这将为您分配一个端口来运行一个 TensorBoard 实例。要运行并发实例，必须分配多个端口。此外，将 --bind_all 传递给 %tensorboard 可以在容器外公开端口。
# Load the TensorBoard notebook extension
%load_ext tensorboard
导入 TensorFlow、日期时间和操作系统：
import tensorflow as tf
import datetime, os
在笔记本中使用 TensorBoard
下载 FashionMNIST 数据集并对其进行缩放：
fashion_mnist = tf.keras.datasets.fashion_mnist
(x_train, y_train),(x_test, y_test) = fashion_mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz 32768/29515 [=================================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz 26427392/26421880 [==============================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz 8192/5148 [===============================================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz 4423680/4422102 [==============================] - 0s 0us/step
创建一个非常简单的模型：
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')
])
使用 Keras 和 TensorBoard 回调训练模型：
def train_model():
model = create_model()
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
logdir = os.path.join("logs", datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
tensorboard_callback = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)
model.fit(x=x_train,
y=y_train,
epochs=5,
validation_data=(x_test, y_test),
callbacks=[tensorboard_callback])
train_model()
Train on 60000 samples, validate on 10000 samples Epoch 1/5 60000/60000 [==============================] - 11s 182us/sample - loss: 0.4976 - accuracy: 0.8204 - val_loss: 0.4143 - val_accuracy: 0.8538 Epoch 2/5 60000/60000 [==============================] - 10s 174us/sample - loss: 0.3845 - accuracy: 0.8588 - val_loss: 0.3855 - val_accuracy: 0.8626 Epoch 3/5 60000/60000 [==============================] - 10s 175us/sample - loss: 0.3513 - accuracy: 0.8705 - val_loss: 0.3740 - val_accuracy: 0.8607 Epoch 4/5 60000/60000 [==============================] - 11s 177us/sample - loss: 0.3287 - accuracy: 0.8793 - val_loss: 0.3596 - val_accuracy: 0.8719 Epoch 5/5 60000/60000 [==============================] - 11s 178us/sample - loss: 0.3153 - accuracy: 0.8825 - val_loss: 0.3360 - val_accuracy: 0.8782
使用魔术命令在笔记本中启动 TensorBoard：
%tensorboard --logdir logs
现在，您可以查看诸如标量、计算图、直方图之类的信息中心。有些信息中心在 Colab 中尚不可用（例如分析插件）。
%tensorboard 魔术命令与 TensorBoard 命令行调用的格式基本相同，区别在于其开头带有 % 符号。
您也可以在训练前启动 TensorBoard，对其进行监视：
%tensorboard --logdir logs
通过发出相同的命令，可以重用相同的 TensorBoard 后端。如果选择了其他日志目录，将打开新的 TensorBoard 实例。将自动管理端口。
开始训练新模型，观察 TensorBoard 每 30 秒自动更新一次，或者使用右上角的按钮进行刷新：
train_model()
Train on 60000 samples, validate on 10000 samples Epoch 1/5 60000/60000 [==============================] - 11s 184us/sample - loss: 0.4968 - accuracy: 0.8223 - val_loss: 0.4216 - val_accuracy: 0.8481 Epoch 2/5 60000/60000 [==============================] - 11s 176us/sample - loss: 0.3847 - accuracy: 0.8587 - val_loss: 0.4056 - val_accuracy: 0.8545 Epoch 3/5 60000/60000 [==============================] - 11s 176us/sample - loss: 0.3495 - accuracy: 0.8727 - val_loss: 0.3600 - val_accuracy: 0.8700 Epoch 4/5 60000/60000 [==============================] - 11s 179us/sample - loss: 0.3282 - accuracy: 0.8795 - val_loss: 0.3636 - val_accuracy: 0.8694 Epoch 5/5 60000/60000 [==============================] - 11s 176us/sample - loss: 0.3115 - accuracy: 0.8839 - val_loss: 0.3438 - val_accuracy: 0.8764
您可以使用 tensorboard.notebook API 进行更多控制：
from tensorboard import notebook
notebook.list() # View open TensorBoard instances
Known TensorBoard instances: - port 6006: logdir logs (started 0:00:54 ago; pid 265)
# Control TensorBoard display. If no port is provided,
# the most recently launched TensorBoard is used
notebook.display(port=6006, height=1000)
