如何用TensorBoard可视化模型？

Tensorboard是TF自带的可视化工具。它可以让我们从各个角度观察与修改模型，比如观察模型在训练时的loss动态变化曲线而无需在迭代完毕后再画图、绘制神经网络的结构图、调节超参数等。下面以最简单的形式展示tensorboard的常用功能。 开启tensorboard 　　打开命令行输入 tensorboard --logdir <logs> --samples_per_plugin scalars=99999 　　然后回车。logdir表示tensorboard所要观察的文件夹位置，--samples_per_plugin scalars=99999表示折线图采样数值的数量。后面再使用TF将信息写入该文件夹中，tensorboard就可以从中读取数据用于可视化。输出如下： 　　进入得到的链接，就是tensorboard的界面了。这时你的logs文件夹应该还是空的，没有写入数据，所以tensorboard无法可视化。下面介绍如何向文件夹中写入数据。 Scalars 　　Scalars用来可视化时间步下的状态曲线，比如loss的变化曲线。下面是代码示例： import numpy as np import tensorflow as tf from datetime import datetime current_time = datetime.now().strftime("%Y{y}%m{m}%d{d}-%H-%M-%S").format(y = '年',m = '月',d='日') log_path = 'logs/'+current_time#——————1—————— log_writer = tf.summary.create_file_writer(log_path)#——————2—————— for i in range(100): data1 = np.random.normal()#——————3—————— data2 = np.random.normal()#——————3—————— with log_writer.as_default():#——————4—————— tf.summary.scalar('test1', data1, i) #——————5—————— tf.summary.scalar('test2', data2, i) #——————5—————— 　　#1/2：创建以时间命名的用于保存记录的文件，并获取用于往该文件中写入记录的对象实例。注意！文件要保存在logs文件夹中，tensorboard才能读取。 　　#3：定义每次迭代要记录的值。 　　#4/5：使用#2定义的对象将记录以scalar的方式写入，scalar实际上就是画折线图，其中三个参数分别代表是：记录名、这次迭代要保存的值、第几次迭代。可以看出，一个文件可以保存多条记录，而每条记录都含有多次迭代。 　　在tensorboard界面中，右上角点击刷新，或者在下拉选项中选择scalar，tensorboard就会显示输出的记录。界面中还能调节平滑度什么的，这里就不记录了。Tensorboard的一大好处在于它能在代码执行的时候同步可视化图像，上面的代码示例仅有100次迭代，不好体现，可以自己尝试一下。 　　可视化后的折线图界面如下： Graphs 　　可视化模型结构，但是显示出来的结构很乱，几乎没法看，暂时没弄懂看的是什么。这里先记录显示流程。