推出 TensorBoard.dev

TensorBoard 是 TensorFlow 的可视化工具包，研究人员和工程师通常用来进行可视化和理解 ML 实验。该工具包支持追踪实验指标、可视化模型、分析 ML 程序、可视化超参数调优实验等等。

虽然 TensorBoard 可以让您更轻松地将自己的实验可视化，但机器学习通常需要多人协作。您可能会希望分享自己关于超参数效果的研究、解释复杂的训练过程，或在排查模型行为异常时获取帮助。

我们已经看到人们通过分享他们的 TensorBoard 屏幕截图来实现这些目的。但是，屏幕截图不能交互，且无法提供所有细节。在 Google，研究人员和工程师经常通过将 TensorBoard 可视化内容发送给团队成员来交流他们对模型行为的分析与理解。我们希望能为更广大的社区提供这一功能。

这就是我们发布 TensorBoard.dev 的原因：一个让您可以轻松托管、追踪并分享 ML 实验的免费托管式服务（目前处于预览阶段）。用户只需上传自己的 TensorBoard 日志，即可获取所有人都可以查看的链接，而无需安装或设置。

一图胜千言，我们相信可交互的 TensorBoard 将提供更多有价值的信息。

《探索使用统一的文本到文本转换器进行转移学习的局限性》的 TensorBoard.dev 实验

我们很高兴看到社区采用 TensorBoard.dev。以下是一些例子和创意：

研究：论文《探索使用统一的文本到文本转换器进行转移学习的局限性》(Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer) 研究了使用文本到文本模型的 NLP 转移学习，并在多项任务上取得了最高水准 (state-of-the-art, SOTA) 成果。此 TensorBoard.dev 示例展示 “预训练数据集” 探索的基线训练结果，与文中表 8 第一行对应。TensorBoard 中的损耗曲线显示了约 52 万步的预训练过程，以及之后特定于任务的训练。

示例模型：TensorBoard.dev 可为想要理解示例模型训练流程的人提供参照物，或确保其能够正确地再现示例模型。例如：

TensorFlow Models 代码库中的 BERT 模型预训练任务的训练可在此 TensorBoard 中查看。

TensorFlow.js 强化学习示例包括连接到相应 TensorBoard 的链接。

TF Hub (tfhub.dev) 上多语言 Universal Sentence Encoder 模型的训练可在此处查看。

问题排查：假设您在训练期间遇到了意外行为。分享 TensorBoard 的链接（而非屏幕截图）有助于快速传达该问题并协助您进行问题排查。

教程：TensorFlow.org 上关于过拟合和欠拟合以及 Pix2Pix 的教程现在使用 TensorBoard.dev 来协助说明实验成果。

入门指南

第一步是确定您想要分享的 TensorBoard 日志（可以从此处下载示例）。请注意，您上传的 TensorBoard 将对公众可见，所以请不要上传敏感数据。

请确保您已安装最新的 TensorBoard：

1pip install -U tensorboard

然后，只需使用上传命令：

1tensorboard dev upload --logdir {logs}

按照说明使用 Google 帐号进行身份验证后，您将获得一个 TensorBoard.dev 链接。您可以立即查看 TensorBoard，即使是在上传期间也可以。上传程序将继续运行并上传日志目录中的新日志，直到您停止该进程。

所有人都可以打开 TensorBoard.dev 链接，所以请随意使用以分享您的研究，在 GitHub 问题或 Stack Overflow 问题下寻求建议，或无需打开本地 TensorBoard 即可轻松追踪您的实验。需要使用 Google 帐号上传日志，查看 TensorBoard 则不需要。

其他几个命令可以用于排列、删除或导出您的实验。您可以使用 tensorboard dev --help 命令了解详情。目前，每名用户的数据点上限为 1000 万。如果您达到此上限（上传时您将收到错误消息），请与我们联系！如需快速修复，请删除部分现有实验。

您可以在此处找到在 Colab 中运行的端到端教程。尽管该教程会展示如何使用通过 Keras 的 .fit() 命令创建的 TensorBoard 日志，但您也可以使用通过基于 GradientTape 的训练循环（如 TensorBoard Scalars 教程所示）所创建的日志或其他任何有效 TensorBoard 日志。

TensorBoard.dev 未来有何计划？

TensorBoard.dev 正处于预览阶段，目前仅包含 TensorBoard 的标量信息中心功能。我们后续将为 TensorBoard 添加更多功能，并扩展共享功能。我们还在探索一些想法，以使您能够轻松地发现有趣的 TensorBoard。

如果您有任何关于提高 TensorBoard.dev 实用性的反馈或想法，请发送邮件至 tensorboard.dev-support@google.com，我们很乐意倾听您的声音。

如果您想详细了解 本文提及 的相关内容，请参阅以下文档。这些文档深入探讨了这篇文章中提及的许多主题：

TensorBoard

http://tensorflow.google.cn/tensorboard

追踪实验指标

https://tensorflow.google.cn/tensorboard/scalars_and_keras

可视化模型

https://tensorflow.google.cn/tensorboard/graphs

分析 ML 程序

https://tensorflow.google.cn/tensorboard/tensorboard_profiling_keras

可视化超参数调优实验

https://tensorflow.google.cn/tensorboard/hyperparameter_tuning_with_hparams

《探索使用统一的文本到文本转换器进行迁移学习的局限性》

https://arxiv.org/pdf/1910.10683.pdf

TensorBoard.dev 实验

https://tensorboard.dev/experiment/EvNO346lT0iYbmeaWmoNCQ/

TensorFlow Models 代码库

https://github.com/tensorflow/models

BERT 模型

https://github.com/tensorflow/models/tree/master/official/nlp/bert

BERT 模型 TensorBoard

https://tensorboard.dev/experiment/k3N0Vr1eT6GJpDmxg0BRDA/#scalars

强化学习示例

https://github.com/tensorflow/tfjs-examples/tree/master/snake-dqn

强化学习示例 TensorBoard

https://tensorboard.dev/experiment/TJFBWBx3T5WrFBs4Ar76Sw/#scalars

多语言 Universal Sentence Encoder 模型

https://tfhub.dev/google/universal-sentence-encoder-multilingual/2

对应 TensorBoard

https://tensorboard.dev/experiment/SvksntV8QOWGVxSrHoOCWQ/#scalars

过拟合和欠拟合

https://tensorflow.google.cn/tutorials/keras/overfit_and_underfit

Pix2Pix

https://tensorflow.google.cn/tutorials/generative/pix2pix

下载示例

https://storage.googleapis.com/download.tensorflow.org/tensorboard/log_set_28-10-2019.zip

联系我们
mailto:tensorboard.dev-support@google.com

Colab 端到端教程

https://colab.research.google.com/github/tensorflow/tensorboard/blob/master/docs/tbdev_getting_started.ipynb

TensorBoard Scalars 教程

https://tensorflow.google.cn/tensorboard/scalars_and_keras

如果帮到了，希望你们能收藏评论加点赞，一键三连走一波，感谢支持。

原文来自微信公众号，侵删。