 Ver no TensorFlow.org |  Executar no Google Colab |  Ver fonte no GitHub |  Baixar caderno |
TensorBoard pode ser usado diretamente dentro experiências de notebook, como Colab e Jupyter . Isso pode ser útil para compartilhar resultados, integrar o TensorBoard em fluxos de trabalho existentes e usar o TensorBoard sem instalar nada localmente.
Configurar
Comece instalando o TF 2.0 e carregando a extensão do notebook TensorBoard:
Para usuários Jupyter: Se você instalou Jupyter e TensorBoard na mesma virtualenv, então você deve ser bom para ir. Se você estiver usando uma configuração mais complicada, como uma instalação e kernels mundial Jupyter para diferentes Conda / virtualenv ambientes, então você deve garantir que o tensorboard binário está no seu PATH dentro do contexto notebook Jupyter. Uma maneira de fazer isso é modificar o kernel_spec prefixar do ambiente bin diretório para PATH , conforme descrito aqui .
Para usuários Docker: Você está executando um Docker imagem do servidor Notebook Jupyter usando de TensorFlow noturno , é necessário expor não só a porta do notebook, mas a porta do TensorBoard. Portanto, execute o contêiner com o seguinte comando:
docker run -it -p 8888:8888 -p 6006:6006 \
tensorflow/tensorflow:nightly-py3-jupyter
onde o -p 6006 é a porta padrão de TensorBoard. Isso alocará uma porta para você executar uma instância do TensorBoard. Para ter instâncias simultâneas, é necessário alocar mais portas. Além disso, passar --bind_all a %tensorboard para expor a porta do lado de fora do recipiente.
# Load the TensorBoard notebook extension
%load_ext tensorboard
Importe TensorFlow, data e hora e sistema operacional:
import tensorflow as tf
import datetime, os
TensorBoard em notebooks
Baixe o FashionMNIST conjunto de dados e escalá-lo:
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
Crie um modelo muito simples:
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')
])
Treine o modelo usando Keras e o retorno de chamada TensorBoard:
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
Comece TensorBoard dentro do notebook usando magias :
%tensorboard --logdir logs
Agora você pode visualizar painéis como escalares, gráficos, histogramas e outros. Alguns painéis ainda não estão disponíveis no Colab (como o plug-in de perfil).
O %tensorboard magia tem exatamente o mesmo formato que a linha chamada de comando TensorBoard, mas com uma % -sign na frente dele.
Você também pode iniciar o TensorBoard antes do treinamento para monitorá-lo em andamento:
%tensorboard --logdir logs
O mesmo back-end do TensorBoard é reutilizado com a emissão do mesmo comando. Se um diretório de registros diferente for escolhido, uma nova instância do TensorBoard será aberta. As portas são gerenciadas automaticamente.
Comece a treinar um novo modelo e observe o TensorBoard atualizar automaticamente a cada 30 segundos ou atualize-o com o botão no canto superior direito:
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
Você pode usar os tensorboard.notebook APIs para um controle de pouco mais:
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)
