TensorFlow включает в себя инструмент визуализации, который называется TensorBoard. Он используется для анализа графика потока данных, а также для понимания моделей машинного обучения. Важная особенность TensorBoard включает в себя просмотр различных типов статистики о параметрах и деталях любого графика в вертикальном выравнивании.
Глубокая нейронная сеть включает до 36 000 узлов. TensorBoard помогает сворачивать эти узлы в блоки высокого уровня и выделять идентичные структуры. Это позволяет лучше анализировать граф, фокусируясь на основных разделах вычислительного графа. Говорят, что визуализация TensorBoard является очень интерактивной, где пользователь может перемещать, масштабировать и расширять узлы для отображения деталей.
На следующем схематическом представлении показана полная работа визуализации TensorBoard:
Алгоритмы объединяют узлы в блоки высокого уровня и выделяют определенные группы с идентичными структурами, которые разделяют узлы высокого уровня. Созданная таким образом TensorBoard полезна и одинаково важна для настройки модели машинного обучения. Этот инструмент визуализации предназначен для файла журнала конфигурации со сводной информацией и подробностями, которые необходимо отобразить.
Давайте сосредоточимся на демонстрационном примере визуализации TensorBoard с помощью следующего кода:
import tensorflow as tf # Constants creation for TensorBoard visualization a = tf.constant(10,name = "a") b = tf.constant(90,name = "b") y = tf.Variable(a+b*2,name = 'y') model = tf.initialize_all_variables() #Creation of model with tf.Session() as session: merged = tf.merge_all_summaries() writer = tf.train.SummaryWriter("/tmp/tensorflowlogs",session.graph) session.run(model) print(session.run(y))
В следующей таблице показаны различные символы визуализации TensorBoard, используемые для представления узла.