TensorFlow2 Python深度学习 - 使用TensorBoard可视化数据

锋哥原创的TensorFlow2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1X5xVz6E4w/

课程介绍

本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

TensorFlow2 Python深度学习 - 使用TensorBoard可视化数据

TensorBoard是TensorFlow的可视化工具包，可以帮助开发者理解、调试和优化机器学习模型。下面详细介绍TensorBoard的使用方法，包含完整示例。

官方网站：

复制代码

https://www.tensorflow.org/tensorboard?hl=zh-cn

1. TensorBoard核心功能

标量可视化 - 损失函数、准确率等指标
图表可视化 - 模型计算图
直方图 - 权重和偏置的分布
投影器 - 高维数据降维可视化
图像可视化 - 输入图像和生成图像
文本可视化 - 文本数据
超参数调优 - 超参数对模型性能的影响

2.示例

我们把前面一个分类问题示例拿过来，把训练历史数据可视化下。

TensorBoard使用也比较简单，先定义日志目录，再定义一个回调方法，model.fit()方法里，参数callbacks指定回调即可。

复制代码

import datetime

import tensorflow as tf
from keras import Input, layers
from sklearn.datasets import load_iris

# 1,加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征 花萼长度、花萼宽度、花瓣长度、花瓣宽度
y = iris.target  # 标签 0-Setosa, 1-Versicolour, 2-Virginica

# 2,构建分类模型
model = tf.keras.Sequential([
    Input(shape=(X.shape[1],)),
    layers.Dense(16, activation='relu'),  # 隐藏层
    layers.Dense(3, activation='softmax')  # 输出层 3个神经元，对应3个类别
])

# 创建TensorBoard回调
log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir)

# 3,编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',  # 多分类交叉熵损失函数
              metrics=['accuracy']  # 评估指标：准确率
              )

# 4,训练模型
history = model.fit(X, y, epochs=200, batch_size=32, verbose=1, callbacks=[tensorboard_callback])
print(f"最终损失: {history.history['loss'][-1]:.4f}, 最终准确率: {history.history['accuracy'][-1]:.4f}")

运行完后，会生成日志文件。

打开终端，输入命令：

复制代码

tensorboard --logdir=logs/fit

启动tensorboard

浏览器输入：

复制代码

http://localhost:6006/

我们可以看到时间序列，标量等信息可视化图。方便我们观察和优化模型。

3.主要面板说明

Scalars（标量面板）

显示训练和验证的损失、准确率等指标
可以比较不同运行的指标
支持平滑曲线显示

Graphs（计算图面板）

显示模型的计算图
查看操作之间的依赖关系
分析模型结构

Distributions（分布面板）

显示权重和偏置的分布变化
监控梯度消失或爆炸问题

Histograms（直方图面板）

显示权重和偏置的直方图
跟踪参数分布随时间的变化

Projector（投影器面板）

高维数据的降维可视化
支持PCA、t-SNE等方法