Использование TensorBoard в DataSphere
TensorBoard — это дашборд для визуализации логов обучения ваших моделей. Результаты можно просматривать с помощью графов, гистограмм и других инструментов.
Полное описание возможностей TensorBoard см. на сайте TensorFlow.
Создание дашборда
В DataSphere можно запустить TensorBoard тремя способами:
- Из меню DataSphere. Откройте меню File, выберите New и пункт TensorBoard. Откроется новая вкладка с дашбордом, на котором будут отображаться логи всей рабочей папки
/home/jupyter/work/resources
. - Из вкладки Commands на левой панели. Откройте её и выберите команду Create a new TensorBoard. В открывшемся окне укажите пункт к нужной вам папке с логами. Будет запущен новый инстанс.
- Из ячейки ноутбука. Выполните в ячейке команду вида
%tensorboard --logdir <путь к папке с логами>
. Запустится новый инстанс с дашбордом.
Пример использования TensorBoard
В этом примере c помощью TensorBoard демонстрируются результаты обучения тестовой модели. TensorBoard будет запущен с помощью команды из ячейки ноутбука.
Чтобы использовать TensorBoard в вашем ноутбуке:
-
Импортируйте TensorFlow:
import tensorflow as tf import datetime
-
Задайте тестовую модель, например:
mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 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') ])
-
Запустите обучение модели:
model = create_model() model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S") tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1) model.fit(x=x_train, y=y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])
-
Запустите TensorBoard:
%tensorboard --logdir logs/fit