Visualizzazione dei dati di testo in TensorBoard

Panoramica

Utilizzando l'API Sommario tensorflow testo, si può facilmente accedere arbitraria di testo e visualizzarlo in TensorBoard. Questo può essere estremamente utile per campionare ed esaminare i dati di input o per registrare i metadati di esecuzione o il testo generato. Puoi anche registrare i dati diagnostici come testo che può essere utile nel corso dello sviluppo del modello.

In questo tutorial, proverai alcuni casi d'uso di base dell'API Text Summary.

Impostare

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

# Load the TensorBoard notebook extension.
%load_ext tensorboard

import tensorflow as tf

from datetime import datetime
import json
from packaging import version
import tempfile

print("TensorFlow version: ", tf.__version__)
assert version.parse(tf.__version__).release[0] >= 2, \
    "This notebook requires TensorFlow 2.0 or above."

TensorFlow version:  2.5.0-dev20210219

Registrazione di un singolo pezzo di testo

Per capire come funziona l'API Text Summary, registrerai semplicemente un po' di testo e vedrai come viene presentato in TensorBoard.

my_text = "Hello world! 😃"

# Clear out any prior log data.
!rm -rf logs

# Sets up a timestamped log directory.
logdir = "logs/text_basics/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

# Using the file writer, log the text.
with file_writer.as_default():
  tf.summary.text("first_text", my_text, step=0)

Ora usa TensorBoard per esaminare il testo. Attendi qualche secondo che l'interfaccia utente si avvii.

%tensorboard --logdir logs

Organizzazione di più flussi di testo

Se disponi di più flussi di testo, puoi conservarli in spazi dei nomi separati per organizzarli, proprio come gli scalari o altri dati.

Nota che se registri il testo in molti passaggi, TensorBoard sottocampionerà i passaggi da visualizzare in modo da rendere gestibile la presentazione. È possibile controllare la frequenza di campionamento utilizzando il --samples_per_plugin bandiera.

# Sets up a second directory to not overwrite the first one.
logdir = "logs/multiple_texts/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

# Using the file writer, log the text.
with file_writer.as_default():
  with tf.name_scope("name_scope_1"):
    for step in range(20):
      tf.summary.text("a_stream_of_text", f"Hello from step {step}", step=step)
      tf.summary.text("another_stream_of_text", f"This can be kept separate {step}", step=step)
  with tf.name_scope("name_scope_2"):
    tf.summary.text("just_from_step_0", "This is an important announcement from step 0", step=0)

%tensorboard --logdir logs/multiple_texts --samples_per_plugin 'text=5'

Interpretazione del markdown

TensorBoard interpreta i riepiloghi di testo come Markdown, poiché la formattazione avanzata può rendere i dati registrati più facili da leggere e comprendere, come mostrato di seguito. (Se non si desidera che l'interpretazione Markdown, vedere questo problema per soluzioni alternative all'interpretazione sopprimere.)

# Sets up a third timestamped log directory under "logs"
logdir = "logs/markdown/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

some_obj_worth_noting = {
  "tfds_training_data": {
      "name": "mnist",
      "split": "train",
      "shuffle_files": "True",
  },
  "keras_optimizer": {
      "name": "Adagrad",
      "learning_rate": "0.001",
      "epsilon": 1e-07,
  },
  "hardware": "Cloud TPU",
}


# TODO: Update this example when TensorBoard is released with
# https://github.com/tensorflow/tensorboard/pull/4585
# which supports fenced codeblocks in Markdown.
def pretty_json(hp):
  json_hp = json.dumps(hp, indent=2)
  return "".join("\t" + line for line in json_hp.splitlines(True))

markdown_text = """
### Markdown Text

TensorBoard supports basic markdown syntax, including:

    preformatted code

**bold text**

| and | tables |
| ---- | ---------- |
| among | others |
"""

with file_writer.as_default():
  tf.summary.text("run_params", pretty_json(some_obj_worth_noting), step=0)
  tf.summary.text("markdown_jubiliee", markdown_text, step=0)

%tensorboard --logdir logs/markdown