TensorFlow - wizualizacja TensorBoard

TensorFlow zawiera narzędzie do wizualizacji, które nazywa się TensorBoard. Służy do analizowania wykresów przepływu danych, a także do zrozumienia modeli uczenia maszynowego. Ważną cechą TensorBoard jest widok różnych typów statystyk dotyczących parametrów i szczegółów dowolnego wykresu w układzie pionowym.

Głęboka sieć neuronowa zawiera do 36 000 węzłów. TensorBoard pomaga w zwijaniu tych węzłów w bloki wysokiego poziomu i podświetlaniu identycznych struktur. Pozwala to na lepszą analizę wykresu, koncentrując się na podstawowych sekcjach wykresu obliczeniowego. Mówi się, że wizualizacja TensorBoard jest bardzo interaktywna, w której użytkownik może przesuwać, powiększać i rozszerzać węzły, aby wyświetlić szczegóły.

Poniższy schematyczny diagram przedstawia pełne działanie wizualizacji TensorBoard -

Algorytmy zwijają węzły w bloki wysokiego poziomu i wyróżniają określone grupy o identycznych strukturach, które oddzielają węzły wysokiego stopnia. Utworzona w ten sposób tablica TensorBoard jest użyteczna i jest traktowana jako równie ważna dla strojenia modelu uczenia maszynowego. To narzędzie wizualizacji jest przeznaczone do pliku dziennika konfiguracji zawierającego informacje podsumowujące i szczegóły, które należy wyświetlić.

Skoncentrujmy się na przykładzie demonstracyjnym wizualizacji TensorBoard za pomocą następującego kodu -

import tensorflow as tf 

# Constants creation for TensorBoard visualization 
a = tf.constant(10,name = "a") 
b = tf.constant(90,name = "b") 
y = tf.Variable(a+b*2,name = 'y') 
model = tf.initialize_all_variables() #Creation of model 

with tf.Session() as session: 
   merged = tf.merge_all_summaries() 
   writer = tf.train.SummaryWriter("/tmp/tensorflowlogs",session.graph) 
   session.run(model) 
   print(session.run(y))

Poniższa tabela przedstawia różne symbole wizualizacji TensorBoard używane do reprezentacji węzłów -