TensorFlow - Trực quan hóa TensorBoard

TensorFlow bao gồm một công cụ trực quan hóa, được gọi là TensorBoard. Nó được sử dụng để phân tích Đồ thị luồng dữ liệu và cũng được sử dụng để hiểu các mô hình học máy. Tính năng quan trọng của TensorBoard bao gồm chế độ xem các loại thống kê khác nhau về các tham số và chi tiết của bất kỳ biểu đồ nào trong căn chỉnh dọc.

Mạng nơron sâu bao gồm lên đến 36.000 nút. TensorBoard giúp thu gọn các nút này trong các khối cấp cao và làm nổi bật các cấu trúc giống hệt nhau. Điều này cho phép phân tích tốt hơn biểu đồ tập trung vào các phần chính của biểu đồ tính toán. Hình ảnh TensorBoard được cho là rất tương tác, nơi người dùng có thể xoay, thu phóng và mở rộng các nút để hiển thị các chi tiết.

Biểu đồ sơ đồ sau cho thấy hoạt động hoàn chỉnh của trực quan hóa TensorBoard -

Các thuật toán thu gọn các nút thành các khối cấp cao và làm nổi bật các nhóm cụ thể có cấu trúc giống hệt nhau, phân tách các nút cấp cao. Do đó, TensorBoard được tạo ra rất hữu ích và được coi là quan trọng như nhau để điều chỉnh mô hình học máy. Công cụ trực quan hóa này được thiết kế cho tệp nhật ký cấu hình với thông tin tóm tắt và chi tiết cần được hiển thị.

Chúng ta hãy tập trung vào ví dụ demo của trực quan hóa TensorBoard với sự trợ giúp của đoạn mã sau:

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))

Bảng sau đây cho thấy các ký hiệu khác nhau của trực quan hóa TensorBoard được sử dụng để biểu diễn nút: