TensorFlow on visualisointityökalu, jota kutsutaan TensorBoardiksi. Sitä käytetään tietovirtakaavion analysointiin ja koneoppimismallien ymmärtämiseen. TensorBoard on käyttöliittymä, jota käytetään visualisoimaan kaavio ja monia työkaluja mallin ymmärtämiseen, virheenkorjaukseen ja optimointiin.
TensorBoardin tärkeä ominaisuus on, että se sisältää näkymän erityyppisiin tilastoihin minkä tahansa pystysuorassa tasauksessa olevien kaavioiden parametreista ja yksityiskohdista.
xampp vaihtoehto
Syvä neuroverkko sisältää jopa 36 000 solmut. TensorFlow auttaa romahtamaan nämä solmut korkealla, romahtamalla nämä solmut korkean tason lohkoissa ja korostamalla identtisiä rakenteita. Tämä mahdollistaa kaavion paremman analyysin keskittymällä laskentakaavion ensisijaisiin osiin.
TensorBoard-visualisoinnin sanotaan olevan erittäin interaktiivinen, jossa käyttäjä voi panoroida, zoomata ja laajentaa solmuja näyttääkseen yksityiskohdat.
Seuraavassa on annettu kaavioesitys, joka näyttää TensorBoardin visualisoinnin täydellisen toiminnan-
Algoritmit tiivistävät solmut korkean tason lohkoiksi ja korostivat tietyt ryhmät identtisillä rakenteilla, jotka erottavat korkean tason solmut. Luotu TensorBoard on hyödyllinen ja sitä pidetään yhtä tärkeänä koneoppimismallin virittämisessä. Tämä visualisointityökalu on suunniteltu määrityslokitiedostoa varten.
Katso alla olevaa kuvaa:
Hermoverkko päättää kuinka yhdistää eri neuronit ja kuinka monta kerrosta ennen kuin malli voi ennustaa lopputuloksen. Kun olemme määrittäneet arkkitehtuurin, meidän ei tarvitse vain kouluttaa mallia, vaan myös mittareita laskeaksemme ennusteen tarkkuuden. Tätä mittaria kutsutaan häviöfunktioksi. Tavoitteena on tappiofunktio.
TensorBoard on loistava työkalu mittareiden visualisointiin ja mahdollisten ongelmien korostamiseen. Hermoverkko voi kestää tunteja tai viikkoja, ennen kuin ne löytävät ratkaisun. TensorBoard päivittää parametreja hyvin usein.
TensorBoard sijaitsee tässä URL-osoitteessa: http://localhost:6006
DashBoard-tyypit TensorBoardissa
1. Scalar Dashboard
Sitä käytetään visualisoimaan ajasta riippuvia tilastoja; saatamme esimerkiksi haluta tarkastella vaihteluita oppimisnopeudessa tai menetysfunktiossa.
2. Histogrammi
TensorBoardin histogrammin hallintapaneeli näyttää, kuinka Tensorin tilastollinen jakauma on vaihdellut ajan myötä. Se visualisoi kautta tallennettuja tietoja tf.summary.histogram .
dynaaminen taulukko java
3. Jakelun kojelauta
Se osoittaa jonkin verran korkean tason käyttöä tf.summary.histogram . Se näyttää joitain korkean tason aloituksia jakelussa. Jokainen kaavion rivi antaa vihjeen prosenttipisteestä tietojen jakautumisessa.
4. Kuvan hallintapaneeli
Tämä näyttää png:n, joka on tallennettu kautta a tf.summary.image . Rivit vastaavat tarroja ja sarakkeet ajoa. Käyttämällä tätä TensorBoardin kuvahallintapaneelia voimme upottaa mukautettuja visualisointeja.
5. Audio Dashboard
Se on erinomainen työkalu toistettavien ääniwidgetien upottamiseen audioille, jotka on tallennettu kautta a tf.summary.audio . Kojelauta upottaa aina uusimman äänen jokaiselle tunnisteelle.
6. Graph Explorer
Sitä käytetään ensisijaisesti TensorFlow-mallin tarkastuksen mahdollistamiseen.
7. Projektori
TensorFlow'n upotusprojektoria käytetään moniulotteiseen dataan. Upotusprojektori lukee tietoja tarkistuspistetiedostosta ja se voidaan määrittää vastaavilla tiedoilla, kuten sanastotiedostolla.
8. Tekstin hallintapaneeli
Tekstin hallintapaneeli näyttää tekstiasiantuntijat, jotka on tallennettu kautta tf.summary.text. , sisältää ominaisuuksia, kuten hyperlinkkejä, luetteloita ja taulukoita, ovat kaikki tuettuja.
Erilaisia näkemyksiä TensorBoardista
Eri näkymät ottavat syötteitä eri muodoissa ja näyttävät ne eri tavalla. Voimme vaihtaa ne oranssissa yläpalkissa.
Kuinka käyttää TensorBoardia?
Opimme avaamaan TensorBoardin MacOS- ja komentorivi-Windows-päätteestä.
Koodi selitetään tulevassa opetusohjelmassa; painopiste on tässä TensorBoardissa.
kuinka muuntaa merkkijono int javaksi
Ensin meidän on tuotava kirjastot, joita käytämme koulutuksen aikana.
## Import the library import tensorflow as tf import numpy as np
Luomme tiedot. Se on 10 000 rivin ja sarakkeen joukko/p>
X_train = (np.random.sample((10000,5))) y_train = (np.random.sample((10000,1))) X_train.shape
Alla oleva koodi muuntaa tiedot ja luo mallin.
Huomaa, että oppimisnopeus on 0,1. Jos muutamme tämän koron suuremmaksi, malli ei löydä ratkaisua. Näin tapahtui yllä olevan kuvan vasemmalla puolella.
Alla olevassa esimerkissä tallennamme mallin työhakemiston sisälle, eli johon tallennamme muistikirjan tai python-tiedoston. TensorFlow luo polun sisälle kansion nimeltä train ja jonka alikansionimi on linreg.
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', hidden_units=[500, 300], optimizer=tf.train.ProximalAdagradOptimizer( learning_rate=0.1, l1_regularization_strength=0.001 ) )
Lähtö:
INFO:tensorflow:Using the default configuration. INFO:tensorflow:Using config:{'_model_dir': 'train/linreg', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': None, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_service': None, '_cluster_spec': , '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1} Viimeinen vaihe on mallin kouluttaminen. Harjoitusjakson aikana TensorFlow kirjoittaa tietoja mallihakemistoon.
# Train the estimator train_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) Lähtö:
INFO:tensorflow:Calling model_fn. INFO:tensorflow:Done calling model_fn. INFO:tensorflow:Create CheckpointSaverHook. INFO:tensorflow: Graph was finalized. INFO:tensorflow:Running local_init_op. INFO:tensorflow:Done running local_init_op. INFO:tensorflow:Saving checkpoints for 1 into train/linreg/model.ckpt. INFO:tensorflow:loss = 40.060104, step = 1 INFO:tensorflow:global_step/sec: 197.061 INFO:tensorflow:loss = 10.62989, step = 101 (0.508 sec) INFO:tensorflow:global_step/sec: 172.487 INFO:tensorflow:loss = 11.255318, step = 201 (0.584 sec) INFO:tensorflow:global_step/sec: 193.295 INFO:tensorflow:loss = 10.604872, step = 301 (0.513 sec) INFO:tensorflow:global_step/sec: 175.378 INFO:tensorflow:loss = 10.090343, step = 401 (0.572 sec) INFO:tensorflow:global_step/sec: 209.737 INFO:tensorflow:loss = 10.057928, step = 501 (0.476 sec) INFO:tensorflow:global_step/sec: 171.646 INFO:tensorflow:loss = 10.460144, step = 601 (0.583 sec) INFO:tensorflow:global_step/sec: 192.269 INFO:tensorflow:loss = 10.529617, step = 701 (0.519 sec) INFO:tensorflow:global_step/sec: 198.264 INFO:tensorflow:loss = 9.100082, step = 801 (0.504 sec) INFO:tensorflow:global_step/sec: 226.842 INFO:tensorflow:loss = 10.485607, step = 901 (0.441 sec) INFO:tensorflow:global_step/sec: 152.929 INFO:tensorflow:loss = 10.052481, step = 1001 (0.655 sec) INFO:tensorflow:global_step/sec: 166.745 INFO:tensorflow:loss = 11.320213, step = 1101 (0.600 sec) INFO:tensorflow:global_step/sec: 161.854 INFO:tensorflow:loss = 9.603306, step = 1201 (0.619 sec) INFO:tensorflow:global_step/sec: 179.074 INFO:tensorflow:loss = 11.110269, step = 1301 (0.556 sec) INFO:tensorflow:global_step/sec: 202.776 INFO:tensorflow:loss = 11.929443, step = 1401 (0.494 sec) INFO:tensorflow:global_step/sec: 144.161 INFO:tensorflow:loss = 11.951693, step = 1501 (0.694 sec) INFO:tensorflow:global_step/sec: 154.144 INFO:tensorflow:loss = 8.620987, step = 1601 (0.649 sec) INFO:tensorflow:global_step/sec: 151.094 INFO:tensorflow:loss = 10.666125, step = 1701 (0.663 sec) INFO:tensorflow:global_step/sec: 193.644 INFO:tensorflow:loss = 11.0349865, step = 1801 (0.516 sec) INFO:tensorflow:global_step/sec: 189.707 INFO:tensorflow:loss = 9.860596, step = 1901 (0.526 sec) INFO:tensorflow:global_step/sec: 176.423 INFO:tensorflow:loss = 10.695, step = 2001 (0.567 sec) INFO:tensorflow:global_step/sec: 213.066 INFO:tensorflow:loss = 10.426752, step = 2101 (0.471 sec) INFO:tensorflow:global_step/sec: 220.975 INFO:tensorflow:loss = 10.594796, step = 2201 (0.452 sec) INFO:tensorflow:global_step/sec: 219.289 INFO:tensorflow:loss = 10.4212265, step = 2301 (0.456 sec) INFO:tensorflow:global_step/sec: 215.123 INFO:tensorflow:loss = 9.668612, step = 2401 (0.465 sec) INFO:tensorflow:global_step/sec: 175.65 INFO:tensorflow:loss = 10.009649, step = 2501 (0.569 sec) INFO:tensorflow:global_step/sec: 206.962 INFO:tensorflow:loss = 10.477722, step = 2601 (0.483 sec) INFO:tensorflow:global_step/sec: 229.627 INFO:tensorflow:loss = 9.877638, step = 2701 (0.435 sec) INFO:tensorflow:global_step/sec: 195.792 INFO:tensorflow:loss = 10.274586, step = 2801 (0.512 sec) INFO:tensorflow:global_step/sec: 176.803 INFO:tensorflow:loss = 10.061047, step = 2901 (0.566 sec) INFO:tensorflow:Saving checkpoints for 3000 into train/linreg/model.ckpt. INFO:tensorflow: Loss for the final step: 10.73032.
Windows-käyttäjälle
cd C:UsersAdminAnaconda3 activate hello-tf
TensorBoardin käynnistämiseksi voimme käyttää tätä koodia
tensorboard --logdir=. rainlinreg