TensorBoard

TensorBoard#

开始使用 TensorBoard
- 通过 Keras Model.fit() 使用 TensorBoard
- 通过其他方法使用 TensorBoard
- TensorBoard.dev：托管并共享您的机器学习实验结果
TensorBoard Scalar：在 Keras 中记录训练指标
- 文本特征向量
- 安装
- 设置简单回归的数据
- 训练模型并记录损失
- 使用 TensorBoard 检查损失
- 记录自定义标量
- 批量日志记录
  - 瞬时批次级日志记录
  - 累积批次级日志记录
在 TensorBoard 中显示图像数据
- 概述
- 设置
下载 Fashion-MNIST 数据集
- 可视化单个图像
- 可视化多个图像
- 记录任意图像数据
- 构建图像分类器
检查 TensorFlow 图
- 概述
- 设置
- 定义一个 Keras 模型
- 训练模型并记录数据
- op-level graph
- 概念图
- tf.functions 的图
在 TensorBoard 中显示文本数据
- 概述
- 设置
- 记录一段文本
- 组织多个文本流
- Markdown 解释
使用 HParams 信息中心进行超参数调节
- 1. 试验设置和 HParams 实验摘要
- 2. 调整 TensorFlow 运行以记录超参数和指标
- 3. 开始运行并将其全部记录在一个父目录下
- 4. 在 TensorBoard 的 HParams 插件中可视化结果
在 TensorBoard 中使用 Embedding Projector 呈现数据
- 概述
- 设置
- IMDB 数据
Keras 嵌入向量层
- 为 TensorBoard 保存数据
- 分析
使用 What-If Tool 仪表板理解模型
- 要求
- 使用方法
- 演示模型和数据集
使用 Fairness Indicators 信息中心 [Beta] 评估模型
- 要求
- 演示
  - 演示 Colab
- 使用方法
TensorFlow Profiler：剖析模型性能
- 总览
- 设置
- 使用 TensorBoard 回调训练图像分类模型
- 使用 TensorFlow Profiler 剖析模型训练性能
- 调试性能瓶颈
- 总结
在笔记本中使用 TensorBoard
- 设置
- 在笔记本中使用 TensorBoard
作为 DataFrame 访问 TensorBoard 数据
- 概述
- 设置
- 作为 pandas.DataFrame 加载 TensorBoard 标量
- 获取透视（宽格式）DataFrame
- 将 DataFrame 保存为 CSV
- 执行自定义可视化和统计分析
使用 TensorBoard Debugger V2 调试 TensorFlow 程序中的数值问题
- 观察错误
- 使用 Debugger V2 检测 TensorFlow 代码
- 在 TensorBoard 中启动 Debugger V2 GUI
- 使用 Debugger V2 GUI 查找 NaN 的根本原因
- Debugger V2 的硬件兼容性
- Debugger V2 的 API 兼容性
- API 使用提示
- 性能开销
- 与其他 TensorFlow 调试 API 的关系
开始使用 TensorBoard.dev
- 配置并导入
- 训练一个简单的模型并创建 TensorBoard 日志
- （仅限 Jupyter）授权 TensorBoard.dev
- 上传到 TensorBoard.dev
- TensorBoard.dev 屏幕截图
- 删除 TensorBoard.dev 实验
将 tf.summary 用法迁移到 TF 2.x
- 变更
  - 在 TF 1.x 中
  - 在 TF 2.X 中
- 转换您的代码
  - 部分迁移
  - 完全迁移
- 其他提示
TensorBoard：可视化学习
- 设置
- 序列化数据
- 启动 TensorBoard
TensorBoard 通用数据 API 和实现
- 目的
- 本体论
- API 调用
- 存储实现
- 考虑的替代方案
- 更新日志
TensorBoard 通用数据提取
- 目的
- 样本映射
- 机制结构
- 考虑的替代方案
- 参考文献
- 更新日志