22.自定义变量的Tensorboard可视化

最新推荐文章于 2023-04-25 11:11:49 发布
最新推荐文章于 2023-04-25 11:11:49 发布
阅读量404 收藏 1
点赞数 1
分类专栏： tensorflow笔记 文章标签： 机器学习
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/potato123232/article/details/120846397
版权

代码和上一章差不多，我们在上一章的基础上进行更改

目录

1  随epoch更改学习速率

2  将变化情况写在文件中

1  随epoch更改学习速率

我们当前想让学习速率随epoch的变化而变化，首先我们定义一个learning_rate随时间变化的函数

然后我们创建一个回调函数，使用tf.keras.callbacks.LearningRateScheduler()参数是上面创建的函数

然后把回调函数放在callbacks的列表中

此时进行训练我们还不能在tensorboard中显示learning_rate，我们需要将变化情况写入文件中

2  将变化情况写在文件中

首先创建一个写对象，参数为要将文件存放的路径

然后将其设置为默认写对象

然后我们再定义的变化learning_rate函数上加上tf.summary.scalar()以记录变量

第一个learning_rate是要记录的名称，第二个learning_rate是要记录的内容(我们上面的变量)，第三个是横坐标epoch

为了体现学习速率的变化，我们训练7个epoch

训练后我们发现文件夹中出现了lr

打开tensorboard,我们发现出现了learning_rate这一项，但是我们可以发现learning_rate的变化的渐变的而不是直接改变的，所以我们如果要更好的控制learning_rate，我们需要将epoch的间隔拉大一点，让他可以顺利渐变

Suyuoa
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
CODESYS之可视化模板.docx
06-23
在流程控制或过程控制中，经常需要对一些阀进行控制或显示，对于相同性质的阀可以单独在可视化界面中一一对其编辑，但这种方法繁琐。如果设计一个模板，那么对同一类阀状态进行显示的时候 ，只需要调用设计好的可视化模板，并关联相应的的变量就可以完成。 那么，如何制作可视化模板呢？
tensorboard使用注意事项
lizz2276的博客
08-22 575
写tensorflow代码,定义层时必须给name吗? 写tensorflow代码时发现tensorboard的网络结构和我想的不太一样: 代码 def net(images, training_or_not, out_units): conv1 = tf.layers.conv2d(images, 96, [7, 7], [4, 4], padding='VALID', activation=tf.nn.relu) pool1 = tf.layers.max_pooling2d..
【学习记录】深度学习
m0_67036766的博客
04-03 199
dataset中的getitem会自动把数据转换成tensor类型。
Tensorboard使用方法，TensorFlow展示运行曲线
Alan的博客
08-10 274
添加加粗的部分 tensorboard=tf.keras.callbacks.TensorBoard(histogram_freq=1) model.fit(train_dataset, epochs=20**,callbacks=[tensorboard]**) 此时在目录中会生成一个logs文件夹 在conda运行环境中，将路径定位到logs上一级，执行 tensorboard --logdir=logs 浏览器打开提示的网址即可 ...
深度神经网络学习笔记----Keras框架用自己的图像数据构建网络模型，用Tensorboard显示 loss,acc,val_loss, val_acc
weixin_43227526的博客
05-28 1270
深度神经网络学习笔记----ResNet
11.学习率调整策略；TensorBoard简介与安装
老毛的博客
11-13 978
文章目录为什么要调整学习率？学习率调整pytorch的六种学习率调整策略class_LRScheduler1.StepLR2.MultiStepLR学习率调整小结 本课程来自深度之眼deepshare.net，部分截图来自课程视频。 为什么要调整学习率？ 学习率调整 梯度下降：wi+1=wi−LR∗g(wi)w_{i+1}=w_i-LR*g(w_i)wi+1​=wi​−LR∗g(wi​) 学习率（...
tensorboard 记录 loss
踩坑记录
06-26 1007
trian on batch 使用 tensorboard： for epoch in range(epochs): 之前定义记录文件的地址 在训练前： ### discriminator loss ### disc_log_dir = 'logs' disc_summary_writer = tf.summary.create_file_writer(disc_log_dir) 以 cyclegan 为例，训练每个epoch得到 D loss, G loss，recon , adv 在训练中记录：
TensorBoard的最全使用教程：看这篇就够了
热门推荐
deephub
02-23 9万+
机器学习通常涉及在训练期间可视化和度量模型的性能。有许多工具可用于此任务。在本文中，我们将重点介绍 TensorFlow 的开源工具套件，称为 TensorBoard，虽然他是TensorFlow 的一部分，但是可以独立安装，并且服务于Pytorch等其他的框架。 什么是 TensorBoard？ 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
TensorBoard功能详解及实例说明
qq_39333636的博客
06-18 2983
TensorBoard 是 TensorFlow 中强大的可视化工具，支持标量、文本、图像、音频、视频和 Embedding 等多种数据可视化。在 PyTorch 中也可以使用 TensorBoard，具体是使用 TensorboardX 来调用 TensorBoard。除了安装 TensorboardX，还要安装 TensorFlow 和 TensorBoard，其中 TensorFlow 和 TensorBoard 需要一致。T...
pytorch-tensorboard保存训练的损失，梯度均值demo
xingghaoyuxitong的博客
10-14 880
#tensorboard的使用 ''' tensorboard的使用逻辑： •将代码运行过程中的，某些你关心的数据保存在一个文件夹中，这一步由writer完成 •读取这个文件夹中的数据，用浏览器显示出来，这一步通过在命令行运行tensorboard完成 ''' #【1】不同文件夹，相同tag -》绘制结果在同一张图 # 训练损失（训练损失+测试损失）的变化 import shutil removeLog = 1 # 如果单个文件夹有多个文件，tensorboard会显示多个文件结果 if os.path.
nginx自定义变量与内置预定义变量的使用
01-09
而nginx中的变量分为两种，自定义变量与内置预定义变量 内置变量 声明 可以在sever,http,location等标签中使用set命令（非唯一）声明变量，语法如下 set $变量名 变量值 注意nginx中的变量必须都以$开头。 ...
如何实现Tensorboard对CNN神经网络的可视化
12-23
如何实现Tensorboard对CNN神经网络的可视化 Ⅰ.参数可视化： Ⅱ.结构可视化： 怎么使用Tensorboard实现这么professional又pretty(:heart_suit:∀:heart_suit:)的网络可视化操作呢？我们通过下面4个步骤进行对CNN...
4-2 4.2自定义变量.mp4
10-13
4-2 4.2自定义变量.mp4
MySQL中使用自定义变量 编写偷懒的UNION示例
09-10
以下是对MySQL中使用自定义变量，编写一个UNION的示例进行了详细的介绍，需要的朋友可以过来参考下
【深度学习训练使用tensorboard】
Predoff的博客
03-22 2571
pycharm+服务器+pytorch+tensorboard： 查看train test loss： 主要包括pycharm里的代码部分和ssh里的操作 代码部分 提示：这里描述项目中遇到的问题： 例如：数据传输过程中数据不时出现丢失的情况，偶尔会丢失一部分数据 APP 中接收数据代码： from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter('/data/xxxx/xxxx/xxxx/xxxx/runs') #在
tensorboard新手踩坑实录
weixin_44189855的博客
04-25 64
当然很多做cv的uu们，会在数据集载入的时候就会做transform.normalize(),进行数据归一化。经过可视化之后，离谱的是我的损失函数是在正常下降，而且生成的权重经过测试之后效果是正确的，但是每个epoch的输出显示 有误。经过一系列的排查，发现是。1.作为一个深度学习的新手小白，想在训练的时候对于每个epoch的训练进行输出可视化。如果没有归一化，显示出来的图可能不是你想要的图，影响对训练的判断！如果可以在载入的时候就做归一化是最好的，后面会省掉很多麻烦！tensorboard的显示原因。
tensorboard使用界面介绍以及使用方法（看这篇就够了，都有源码可以直接测试）
error的博客
07-14 2812
参考文档机器学习总是涉及理解关键指标，例如损失(loss)，以及它们如何随着训练的进行而变化。例如，这些指标可以帮助您了解模型是否过拟合，或者是否不必要地训练了太长时间。您可能需要比较不同训练中的这些指标，以帮助调试和改善模型。重新训练回归模型并记录自定义学习率。使用创建文件编写器。定义自定义学习率函数。这将传递给Keras回调。在学习率函数内部，使用记录自定义学习率。将回调传递给Model.fit()。#!"""运行后发现log里边多了一个metrics参考文档使用可视化层权重。...
23.自定义训练中使用Tensorboard
potato123232的博客
10-19 297
由于我们自定义训练中没有model.fit()，所以按照之前的方法添加Tensorboard是做不到的 我们对 20.自定义训练(非编译训练) 的代码做修改 导入datetime库 定义current_time 定义train与test日志路径 然后创建train与test的写对象 之后修改我们的训练函数 训练之后打开tensorboard看一下,发现有我们保存的四个变量 颜色比较浅，下面每个图上都有两根曲线 acc loss val_acc val_.
可视化：tensorboar visdom wandb
芒果干的博客
01-28 1695
本文简要介绍三种常见的可视化库：tensorboard visdom以及wandb tensorboard 安装 tensorboard的安装很简单，如下所示，其中tensorboardX用于引入SummaryWriter类，tensorboard库用来运行最终的文件 pip install tensorboard pip install tensorboardX 基本使用 稍微复杂的是add_image函数，这里贴出使用链接 from tensorboardX import SummaryWriter
pytorch 怎么使用tensorboard可视化，tensorboard变量曲线可视化代码
最新发布
05-27
使用PyTorch可视化TensorBoard的步骤如下： 1. 安装TensorBoard ``` pip install tensorboard ``` 2. 在PyTorch中创建SummaryWriter对象 ```python from torch.utils.tensorboard import SummaryWriter # 创建SummaryWriter对象 writer = SummaryWriter('runs/experiment_name') ``` 其中，`experiment_name`为实验名称，可以自定义。这里通过`runs`目录来存储实验数据。 3. 在训练或验证的过程中添加可视化代码 在代码中使用`writer.add_scalar()`方法来添加可视化代码，方法的参数包括要可视化的变量名、变量值和步数。例如： ```python # 添加训练损失 writer.add_scalar('Train/Loss', loss.item(), step) # 添加验证准确率 writer.add_scalar('Validation/Accuracy', accuracy, step) ``` 4. 启动TensorBoard 在命令行中使用以下命令启动TensorBoard： ``` tensorboard --logdir runs ``` 其中，`--logdir`参数指定实验数据所在的目录。在上面的代码中，我们将实验数据保存在`runs`目录下。 5. 在浏览器中查看可视化结果 在浏览器中输入以下地址查看TensorBoard可视化结果： ``` http://localhost:6006/ ``` 这里是一个可视化变量曲线的代码示例： ```python import torch from torch.utils.tensorboard import SummaryWriter # 创建SummaryWriter对象 writer = SummaryWriter('runs/experiment_name') # 创建模拟数据 x = torch.linspace(-5, 5, 100) y = torch.sin(x) # 可视化曲线 for i in range(100): writer.add_scalar('Sin(x)', y[i], i) # 关闭SummaryWriter对象 writer.close() ``` 这段代码将生成一条正弦曲线，并将其可视化在TensorBoard中。在TensorBoard中，我们可以选择`Scalars`选项卡来查看变量曲线。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

Suyuoa

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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