Класс TensorBoard

Класс TensorBoard создает колбэк, который сохраняет логи обучения модели для их последующей визуализации в TensorBoard. Первым параметром передается путь к каталогу для сохранения логов. Вторым параметром можно передать частоту записи гистограмм. Третьим параметром задается частота записи скалярных значений. Колбэк передается в метод fit при обучении модели.

Синтаксис

tf.keras.callbacks.TensorBoard(log_dir, [histogram_freq], [write_graph])

Пример

Давайте создадим простую модель и обучим ее с колбэком TensorBoard, сохраняя логи в каталог logs:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse')

tensorboard_cb = tf.keras.callbacks.TensorBoard(log_dir='logs')
model.fit([1, 2, 3, 4, 5], [2, 4, 6, 8, 10], epochs=5, callbacks=[tensorboard_cb])
print("training finished")

Результат выполнения кода:

"training finished"

Пример

Давайте зададим частоту записи гистограмм и скалярных значений через параметры histogram_freq и update_freq:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse')

tensorboard_cb = tf.keras.callbacks.TensorBoard(
	log_dir='logs',
	histogram_freq=1,
	update_freq='epoch'
)
model.fit([1, 2, 3, 4, 5], [2, 4, 6, 8, 10], epochs=3, callbacks=[tensorboard_cb])
print("logs saved")

Результат выполнения кода:

"logs saved"

Пример

Давайте отключим запись графа вычислений, передав write_graph=False:

<+python+> import tensorflow as tf tf.random.set_seed(0) model = tf.keras.Sequential([ tf.keras.layers.Dense(1, input_shape=(1,)) ]) model.compile(optimizer='sgd', loss='mse') tensorboard_cb = tf.keras.callbacks.TensorBoard( log_dir='logs', write_graph=False ) model.fit([1, 2, 3, 4, 5], [2, 4, 6, 8, 10], epochs=3, callbacks=[tensorboard_cb]) print("graph disabled") <-python+>

Результат выполнения кода:

"graph disabled"

Смотрите также

класс ModelCheckpoint,
который сохраняет модель во время обучения
класс EarlyStopping,
который останавливает обучение при отсутствии улучшений
класс ReduceLROnPlateau,
который уменьшает скорость обучения при застое
класс CSVLogger,
который сохраняет историю обучения в CSV-файл