添加自定义数据到TensorBoard显示

最新推荐文章于 2024-02-09 11:05:56 发布
最新推荐文章于 2024-02-09 11:05:56 发布
阅读量6.8k 收藏 6
点赞数 2
分类专栏： TensorFlow Deep Learning 文章标签： TensorFlow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/encodets/article/details/54172807
版权
本文介绍了如何在训练网络时，不通过常规summary方式，而是通过更简便的方法将自定义数据添加到TensorBoard中显示，包括验证时的loss等信息。提供了一段完整示例代码，并展示了显示效果。
摘要由CSDN通过智能技术生成

通常情况下，我们在训练网络时添加summary都是通过如下方式：

tf.scalar_summary(tags, values)
# ...
summary_op = tf.summary.merge_all()
summary_writer = tf.summary.FileWriter(logdir, graph=sess.graph)
summary_str = sess.run(summary_op)
summary_writer.add_summary(summary_str, global_step)

当我们自己想添加其他数据到TensorBoard的时候（例如验证时的loss等），这种方式显得太过繁琐，其实我们可以通过如下方式添加自定义数据到TensorBoard内显示。

summary_writer = tf.summary.FileWriter(logdir)
summary = tf.Summary(value=[
    tf.Summary.Value(tag="summary_tag", simple_value=0), 
    tf.Summary.Value(tag="summary_tag2", simple_value=1),
])
# x代表横轴坐
最低0.47元/天 解锁文章
EncodeTS
关注
专栏目录
Anomalib实战之一：自定义数据集
mingo_敏
09-13 3539
Anomalib支持多种图像扩展名，如".jpg"、“.jpeg”、“.png”、“.ppm”、“.bmp”、“.pgm”、“.tif”、“.tiff"和”.webp"。可以从具有任何这些扩展名的图像中收集数据集。
在PyTorch中构建高效的自定义数据集
TensorFlowNews
07-14 1881
学习Dataset类的来龙去脉，使用干净的代码结构，同时最大限度地减少在训练期间管理大量数据的麻烦。 神经网络训练在数据管理上可能很难做到“大规模”。 PyTorch 最近已经出现在我的圈子里，尽管对Keras和TensorFlow感到满意，但我还是不得不尝试一下。令人惊讶的是，我发现它非常令人耳目一新，非常讨人喜欢，尤其是PyTorch 提供了一个Pythonic API、一个更为固执己见的编程模式和一组很好的内置实用程序函数。我特别喜欢的一项功能是能够轻松地创建一个自定义的Dataset对象，然后可以
PyTorch加载数据以及Tensorboard的使用
shi_jiaye的博客
12-22 1463
Pytorch加载数据集操作以及Tensorboard的使用
使用Tensorboard增加变量显示
qq_40064490的博客
10-12 602
通过Tensorboard查看模型的参数、损失值等量值的变化。 import tensorflow as tf import numpy as np def linear_regression(): # 1、准备数据 x = tf.random_normal(shape=[100, 1]) y_true = tf.matmul(x, [[0.8]]) + 1.2 ...
TensorFlow新功能解锁：可在TensorBoard中增加自定义可视化插件
weixin_34007906的博客
10-24 191
谷歌大脑团队日前发布新的TensorFlow API接口，能让开发者将自定义的可视化插件加入TensorBoard，相较以前更具灵活性。 雷锋网 AI科技评论将最新消息编译整理如下： 我们在2015年开源TensorFlow时就包括TensorBoard了，它是一套用于检查和理解TensorFlow模型和进程的可视化工具。Tensorboard包含一小...
tensorboard增加变量显示
FlatTiger的博客
07-28 348
tensorboard增加变量显示，可以观察模型的参数、损失值的变化。 import tensorflow as tf # 收集tensor tf.summary.scalar("losses", loss) # 收集标量 tf.summary.histogram("weight", w) # 收集高维变量 # 合并tensor merged = tf.summary.merge_all() with tf.Session() as sess: for i in range(500):
Tensorflow之增加变量显示
qq_42994177的博客
11-06 374
目的： 观察模型的参数，损失值等变量值的变化 1、收集变量 tf.summary.scalar(name='', tensor) 收集对于损失函数和准确率等单值变量，name为变量的名字（在后台显示的名字，自定义），tensor为值 tf.summary.histogram(name='',tensor) 收集高维度的变量参数 tf.summary.image(name='', tensor) 收集输入的图片张量能显示图片 2、合并变量写入事件文件 merged = tf.summary.mer
自定义数据集+cnn网络分类进行训练-python源码.zip
最新发布
05-02
通过`案例06 自定义数据集 + cnn网络分类进行训练`这个压缩包文件，我们可以学习到以下关键知识点： 1. **自定义数据集准备**： - 数据预处理：自定义数据集通常需要进行预处理，包括图像的缩放、归一化、增强等...
TensorFlow系列——在自定义的标准estimator中使用tensorboard及打印中间数据
有信念，才能走的更远
06-03 1923
1、定义hook钩子函数用于获取指定名称的中间数据 class YourOwnHook(tf.train.SessionRunHook): def __init__(self): np.set_printoptions(suppress=True) np.set_printoptions(linewidth=400) def before_run(self, run_context): """返回SessionRunArgs和sessio
TensorFlow增加变量显示+tensorboard可视化
AcceptedLin的博客
03-03 2万+
TensorFlow增加变量显示+tensorboard可视化 #加名空间： with.tf.variable_scope(“name”): a = tf.Variable(initial_value=50) # 初始化变量 tf.global_variables_initializer().run() #收集变量： tf.summary.scalar(name=...
使用 tensorboard 可视化模型、数据和训练
leetteel
09-16 1212
为了了解发生了什么，我们在模型训练时打印出一些统计数据，以了解训练是否在进行。 但是，我们可以做得更好：PyTorch 与 TensorBoard 集成，后者是一种用于可视化神经网络训练运行结果的工具。 本教程使用 Fashion-MNIST 数据集说明了它的一些功能，该数据集可以使用 torchvision.datasets 读入 PyTorch。 在本教程中，我们将学习如何： 读入数据并进行适当的转换（与之前的教程几乎相同）。 设置 TensorBoard。 写入 TensorBoard。 使用 Te
TensorBoard的使用
红凯的博客
04-28 303
一、TensorBoard的安装 进入anaconda prompt命令行，激活pytorch，下载TensorBoard conda activate pytorch pip install tensorboard 二、代码实例 1、绘制一个y=x图像 from torch.utils.tensorboard import SummaryWriter # 实例化writer，将tensorboard文件存放到logs中 writer = SummaryWriter("logs") # 添加标量 #
深度学习：pytorch 图片呈现 tensorboard (add_image)控制台自学调试检验，含终极代码
2301_80127898的博客
02-09 505
摘要：讲解如何自学，含终极代码，效果如封面图
【Pytorch学习】-- 显示和处理数据 -- TensorBoard&Transforms
Dylan's Blog
01-28 689
Pytorch学习
tensorflow2.x 如何快捷的自定义使用tensorboard
weixin_43842032的博客
11-09 672
在tensorflow2.x，keras中自定义tensorboard
tensorflow学习笔记——summary
wxsy024680的博客
03-09 5564
神经网络像一个黑盒，我们无法解释清楚单个权重或偏置对输出的影响，但如果我们可以得到权重和偏置在训练过程中的变化趋势，对它们有一个宏观认识，也是不错的。运用summary就可以实现上述目的，具体如下： 1、定义summary，如 mean=tf.reduce_mean(w1) stddev=tf.sqrt(tf.reduce_mean(tf.square(w1-mean))) tf.summary.scalar(‘mean’,mean) tf.summary.scalar(‘stddev’,stddev) t
TensorBoard可视化
热门推荐
6先生的博客
11-05 2万+
这里我们主要介绍了tensorboard可视化工具的管理，还有一些程序的代码，能够帮助我们很好的理解数据，辅助我们优化这里的程序。 一、初识TensorflBoard #coding:utf-8 import tensorflow as tf #定义一个简单的计算图，实现向量的加法操作 input1 = tf.constant([1.0,2.0,3.0],name="input1") inp...
tensorboard如何将数据可视化
08-18
您可以使用TensorBoard来可视化TensorFlow中的数据。下面是一个简单的步骤： 1. 在您的TensorFlow项目中，确保您已经在代码中添加了适当的TensorBoard回调。 ```python from tensorflow.keras.callbacks import TensorBoard # 创建一个TensorBoard回调 tensorboard_callback = TensorBoard(log_dir=log_dir, histogram_freq=1) ``` 2. 在您的代码中训练模型时，将TensorBoard回调传递给fit()方法。 ```python model.fit(x_train, y_train, epochs=10, callbacks=[tensorboard_callback]) ``` 3. 运行训练代码并等待训练完成。 4. 打开终端，并使用以下命令启动TensorBoard服务器： ```shell tensorboard --logdir=log_dir ``` 其中，log_dir是您在TensorBoard回调中指定的日志目录。 5. 在浏览器中打开 http://localhost:6006（或按照终端中的提示打开相应的链接），您将看到TensorBoard的仪表板。 在仪表板上，您可以找到各种可视化选项，如损失曲线、精度曲线、直方图等。您还可以根据需要自定义可视化。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值