Keras使用tensorboard显示训练过程的实例_tf.keras.callbacks.tensorboard

1.4k 浏览量更新于2023-05-24 评论收藏 55KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Keras使用使用tensorboard显示训练过程的实例显示训练过程的实例

今天小编就为大家分享一篇Keras使用tensorboard显示训练过程的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

众所周知tensorflow造势虽大却很难用，因此推荐使用Keras，它缺省是基于tensorflow的，但通过修改keras.json也可以用于theano。但是为了能用tensorflow提供的tensorboard，因此建议仍基于

tensorflow。

那么问题来了，由于Keras隐藏了tensorflow那令人诟病、可笑至极的graph构建方法，那么如何使用tensorboard呢？一般网站上会告诉你是这样的：

方法一（标准调用方法）：方法一（标准调用方法）：

采用keras特有的fit()进行训练，只要在fit的时候指定callbacks函数即可，代码如下

from keras.callbacks import TensorBoard

from keras.models import Sequential

……

model = Sequential()

……

tbCallBack = keras.callbacks.TensorBoard(log_dir='./Graph',

histogram_freq=1,

write_graph=True,

write_images=True)

model_history = model.fit(X_train_train,

y_train_train,

batch_size=batch_size,

epochs=epochs,

verbose=1,

validation_data=(X_train_val, y_train_val),

callbacks = [EarlyStopping(patience=patience,mode='min',verbose=1),

history,

tbCallBack])

虽然这种方法看上去很美，但它只适用于标准训练方法，如果你想用自己的训练方法，就需要调用train_on_batch，而不能直接使用fit()，这时就要采用下面这种方法：

方法二（特殊调用方法）：方法二（特殊调用方法）：

这种方法可用于调用train_on_batch的情况。

%预先写好writer，定义好model

writer = tf.summary.FileWriter(…)

model = …

%训练时

loss = model.train_on_batch(…)

summary = tf.Summary(value=[

tf.Summary.Value(tag=”d_loss”, simple_value=d_loss),

tf.Summary.Value(tag=”g_loss”, simple_value=g_loss),

])

writer.add_summary(summary)

虽然很简单，但这种方法只能显示scalar类型，不能显示image,histgram等，非常不实用。真正实用的是下面的终结方法：

方法三（最实用的方法）方法三（最实用的方法）

最实用的还是用tensorflow原生的调用方法，虽然相对方法二麻烦一点，但考虑到此方法与tensorflow一样，不需要去记那些额外的花拳绣腿，因此反而是最简单的，也是最有效的。

代码如下：

import tensorflow as tf

import datetime

%在训练开始之前，预先定义好可视化的东西，用的是原生的tensorflow方法，这里我们以一个GAN模型为例，让它显示整张模型图，两个标量损失函数，以及5个生成图像。方法是预先用placeholder声明所要显示的那些东西，然后在训练过程中将训练结果来填充它们。你可以自行加入histgram，都和tensorflow一样

#start tensorboard

sess=tf.Session()

logdir = “tensorboard/” + datetime.datetime.now().strftime(“%Y%m%d-%H%M%S”) + “/”

writer = tf.summary.FileWriter(logdir, sess.graph)

D_LOSS = tf.placeholder(tf.float32, [])

G_LOSS = tf.placeholder(tf.float32, [])

IMAGES = tf.placeholder(tf.float32,shape=[None,28,28,1])

tf.summary.scalar(“D_LOSS”, D_LOSS)

tf.summary.scalar(“G_LOSS”, G_LOSS)

tf.summary.image(“IMAGES”, IMAGES, 5)

merged=tf.summary.merge_all()

#end tensorboard