Tensorboard可视化神经网络详细教程

原创

已于 2024-02-01 10:20:25 修改 · 4.6k 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #深度学习 #tensorflow

于 2021-06-15 14:30:01 首次发布

本文详述如何在Keras中使用Tensorboard进行神经网络可视化，以手写字识别为例，探讨Tensorboard的参数如log_dir, write_graph, update_freq, histogram_freq, write_grads和write_images，展示了不同参数设置对可视化效果的影响。" 104895212,9388378,源码搭建LAMP环境构建WordPress博客,"['Linux', 'Apache服务器', 'PHP', 'WordPress', '网站搭建']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Tensorboard可视化神经网络详细教程

前言： tensorboard是一个非常强大的工具、不仅仅可以帮助我们可视化神经网络训练过程中的各种参数，而且可以帮助我们更好的调整网络模型、网络参数，这一块类容后面会讲到，不管是tensorflow、keras、还是pytorch，tensorboard都提供了非常好的支持，本文是系列文章的第一篇，详细介绍基于keras+tensorboard如何来进行网络的可视化。写这篇文章的初衷很简单，网上很多方面类似的文章，但是我还没有找到一篇真正满意的，很多都是互相转载，很多要么是太过简单，不具备什么参考价值，本文会由浅入深的来说明。
一、keras是如何使用tensorboard的

keras使用tensorboard是通过回调函数来实现的，关于什么是keras的“回调函数”，这里就不再赘述了，所以Tensorboard也是定义在keras.callbacks模块中的，通过构造一个Tensorboard类的对象，然后在训练的时候在fit里面指定callbacks参数即可，keras使用的一般格式为：

# 构造一个Tensorboard类的对象
tbCallBack = TensorBoard(log_dir="./model")
 
# 在fit 里面指定callbacks参数
history=model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, shuffle=True, verbose=2, validation_split=0.2,callbacks=[tbCallBack])

但是Tensorboard远远不止这么简单，它的参数众多，每一个参数都代表不同的含义。下面将分别来介绍。

在介绍之前，先来说一下本文的案例，本文以手写字识别为案例，搭建的模型如下所示：

 model = Sequential()
 model.add(Conv2D(32, (5,5), activation='relu', input_shape=[28, 28, 1])) #第一卷积层
 model.add(Conv2D(64, (5,5), activation='relu'))                          #第二卷积层
 model.add(MaxPool2D(pool_size=(2,2)))                                    #池化层
 model.add(Flatten())                                                     #平铺层
 model.add(Dropout(0.5))                                                  #dropout层
 model.add(Dense(128, activation='relu'))                                 #Dense层
 model.add(Dropout(0.5))                                                  #dropout层
 model.add(Dense(10, activation='softmax'))                               #Dense层

二、Tensorboard类详解

该类在keras.callbacks模块中。它的参数列表如下：

log_dir: 用来保存被 TensorBoard 分析的日志文件的文件名。
histogram_freq: 对于模型中各个层计算激活值和模型权重直方图的频率（训练轮数中）。 如果设置成 0 ，直方图不会被计算。对于直方图可视化的验证数据（或分离数据）一定要明确的指出。
write_graph: 是否在 TensorBoard 中可视化图像。 如果 write_graph 被设置为 True。
write_grads: 是否在 TensorBoard 中可视化梯度值直方图。 histogram_freq 必须要大于 0 。
batch_size: 用以直方图计算的传入神经元网络输入批的大小。
write_images: 是否在 TensorBoard 中将模型权重以图片可视化，如果设置为True，日志文件会变得非常大。
embeddings_freq: 被选中的嵌入层会被保存的频率（在训练轮中）。
embeddings_layer_names: 一个列表，会被监测层的名字。 如果是 None 或空列表，那么所有的嵌入层都会被监测。
embeddings_metadata: 一个字典，对应层的名字到保存有这个嵌入层元数据文件的名字。 查看 详情 关于元数据的数据格式。 以防同样的元数据被用于所用的嵌入层，字符串可以被传入。
embeddings_data: 要嵌入在 embeddings_layer_names 指定的层的数据。 Numpy 数组（如果模型有单个输入）