关于TensorBoard的使用问题

Bklls

已于 2022-03-21 13:33:22 修改

阅读量1.6k

点赞数

分类专栏：计算机视觉文章标签： tensorflow 深度学习人工智能 python

于 2022-03-14 21:13:35 首次发布

本文链接：https://blog.csdn.net/YourClerk/article/details/123488468

版权

计算机视觉专栏收录该内容

3 篇文章 0 订阅

订阅专栏

TensorBoard

是一组用于数据可视化的工具。它包含在流行的开源机器学习库 Tensorflow 中。TensorBoard 的主要功能包括：

可视化模型的网络架构
跟踪模型指标，如损失和准确性等
检查机器学习工作流程中权重、偏差和其他组件的直方图
显示非表格数据，包括图像、文本和音频
将高维嵌入投影到低维空间

因为自己就本地使用回调函数调用TensorBoard的经历，因此只记录这一种方法。下面的tf是TensorFlow啊，懂的都懂。这个“./logs”就是在当前目录下建一个logs文件夹，然后把东西放里边。

tf_callback = tf.keras.callbacks.TensorBoard(log_dir="./logs")  # 路径在这，调用回调
model.fit(X, dummy_y, epochs=500, batch_size=1, validation_split=0.2, callbacks=[tf_callback])

运行后，就要去cmd开启TensorBoard了

C:\Users\85179>tensorboard --logdir=C:\Users\85179\PycharmProjects\untitled1\logs

--logdir=后面输入你刚刚放logs的地址，不知道的话可以如下操作

1、右键代码所在的文件夹，点击在Explorer中显示

2、复制粘贴即可

然后在浏览器中输入localhost:6006就可以看到绘制的图啦

import numpy as np
import tensorflow as tf
# from imageio import imread, imsave
#from PIL import Image   # 调包PIL
import pandas as pd
from keras import optimizers
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from keras.utils import np_utils
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import LabelEncoder
from keras.layers.core import Dense, Activation
import mglearn  # 机器学习教程上的库
dataframe = pd.read_csv("G:\\cv\\picture\\iris.csv", header=None)
output_graph = True
# 读取文件中的数据
dataset = dataframe.values

# 读取文件的第1到4列
X = dataset[1:, 1:5].astype(float)

# 指定第五列为标签
Y = dataset[1:, 5]

# 将标签转换为One-Hot形式
encoder = LabelEncoder()
encoded_Y = encoder.fit_transform(Y)
dummy_y = np_utils.to_categorical(encoded_Y, 3)

# 共三类，因此参数设置为3，即用三个神经元代表三种不同类型的话

# 显示读取的数据以及转化后的标签
print(X)
print(dummy_y)


# 构建模型
model = Sequential()

# 全连接层，4维输入，神经元个数为10，激活函数为ReLU，首层必须声明输入的维数
model.add(Dense(input_dim=4, units=10, activation='relu'))
model.add(Dense(units=5, activation='relu'))

# 定义输出层，由于采用One-Hot形式，因此对应着三种类型，输出层采用3个神经元
model.add(Dense(units=3, activation='softmax'))  # 在新版中，output_dim改成了units

# 编译模型
model.compile(loss='mean_squared_error',
              optimizer='rmsprop',
              metrics=['accuracy'])

# 显示模型
model.summary()

# 训练模型
# X为输入，dummy_y为目标输出，迭代次数为500次，验证集比例为20%

# 这里的验证集为全部数据集的后20%，与训练完全独立
tf_callback = tf.keras.callbacks.TensorBoard(log_dir="./logs")  # 路径在这，调用回调
model.fit(X, dummy_y, epochs=500, batch_size=1, validation_split=0.2, callbacks=[tf_callback])