AI实战：docker中用TensorBroad可视化模型训练过程

前言

TensorBoard是TensorFlow自带的一个强大的可视化工具，目前支持7种可视化，Scalars, Images, Audio, Graphs, Distributions, Histograms 和 Embeddings 。

主要功能如下：

（1）Scalars:展示训练过程中的准确率、损失值、权重/偏置的变化情况。

（2）Images:展示训练过程中记录的图像。

（3）Audio:展示训练过程中记录的音频。

（4）Graphs:展示模型的数据流图，以及训练在各个设备上消耗的内存和时间。

（5）Distributions:展示训练过程中记录的数据的分部图。

（6）Histograms:展示训练过程中记录的数据的柱状图。

（7）Embeddings:展示词向量后的投影分部。

TensorBoard通过运行一个本地服务器监听6006端口。

本文介绍docker中使用tensorbroad的方法。

步骤

• 搭建docker

  详细过程看参考我的另外一篇文章：AI实战：AI模型部署系列之docker
  
  

• docker创建要点说明

  • 创建脚步

      sudo docker run --name refuse_classify-tensorflow-1.4.0-py3 -d \
      -p 8888:8888 \
      -p 9006:6006 \
      -p 9007:6007 \
      -p 9008:6008 \
      -v ~/data/tmp/docker_example:/data \
      tensorflow/tensorflow:1.4.0-py3
    

  • 参数说明

     --name：创建的容器名，即 refuse_classify-tensorflow-1.4.0-py3  (python3下tensorflow 1.4.0 的垃圾分类docker)
      -d：后台运行容器 
      -p 8888:8888：端口映射，前者是宿主机的端口，后者是docker中的端口
      -p 9006:6006: tensorboard 端口映射
      -p 9007:6007: 预留端口
      -p 9008:6008: 预留端口
      -v ~/data/tmp/docker_example:/data:将宿主机的 ~/data/tmp/docker_example 挂载到容器内的 /data 下
      tensorflow/tensorflow:1.4.0-py3 ：是上一步下载的镜像
    

  • 特别说明

    docker内的6006端口映射到docker外的端口是9006，所以在 浏览器中打开tensorbroad时，端口应该是9006 。

• 启tensorbroad服务

  1、进入docker内，
  2、cd 到模型路径下面
  3、执行指令：
  tensorbroad --logdir ‘logs_path’
  其中logs_path为模型log的保存路径
  
  

• 浏览器查看可视化过程

  1、打开浏览器，推荐用chrome
  2、输入ip：prot
  （1）tensorbroad是本地服务的话，输入：127.0.0.1:9006
  （2）tensorbroad是服务器服务的话，输入：服务器ip:9006
  3、即可查看可视化过程：训练过程（acc、loss、val_acc、val_loss等）、参数。。。

相关文章推荐

Tensorflow的可视化工具Tensorboard的初步使用：https://blog.csdn.net/candy_gl/article/details/80316559

tensorflow学习笔记----TensorBoard讲解：https://www.cnblogs.com/rainydayfmb/p/7944224.html