Tensorflow2.0のTensorBoard:トレーニングプロセスの可視化

文書ディレクトリ

TensorBoardプロセス

を使用

具体的な流れ

Step 1

Step 2

Step 3

Step 4

GraphおよびProfile情報を表示する

例

1、定義モデル及び訓練過程

2、TensorBoardを格納フォルダを作成する記録ファイル

3、実例化レコーダ(Traceオン)

4、指定するレコーダにパラメータを記録する

.
TensorBoardプロセスの使用

1、フォルダを作成してTensorBoardの記録ファイルを保存する.

2、実例化レコーダ;

3、パラメータ(一般にスカラー)を指定のレコーダに記録する;

4、TensorBoardのビジュアルインターフェースにアクセス.

具体的なプロセス
Step 1
コードディレクトリの下に./tensorboardなどのフォルダを作成します.
Step 2
インスタンスレコーダ:

summary_writer = tf.summary.create_file_writer('./tensorboard')     #              

Step 3
パラメータ(一般的にスカラー)を指定したレコーダに記録します.

summary_writer = tf.summary.create_file_writer('./tensorboard')
#       
for batch_index in range(num_batches):
    # ...（    ，  batch        loss ）
    with summary_writer.as_default():                               #         
        tf.summary.scalar("loss", loss, step=batch_index)  #              

tfを実行するたびに.summary.scalar()では、レコーダが記録ファイルに記録を書き込みます.
Step 4
トレーニングプロセスを可視化する場合は、コードディレクトリで端末を開き、次のように実行します.

tensorboard --logdir=E:\Pycharm\code\Jupyter\tensorflow2.0\My_net\Tensorboard\tensorboard --host=127.0.0.1

そのうち‘E:PycharmcodeJupytertensorflow 2.0\My_NetTensorboardtensorboard'はTensorBoardレコードファイルを格納するフォルダパスです.
次に、ブラウザを使用してコマンドラインプログラムから出力されたWebサイトにアクセスします(一般的にはhttp://127.0.0.1:6006/)を使用してTensorBoardのビジュアルインタフェースにアクセスできます.
GraphとProfile情報の表示

tf.summary.trace_on(graph=True, profiler=True)  #   Trace，        profile  
#     
with summary_writer.as_default():
    tf.summary.trace_export(name="model_trace", step=0, profiler_outdir=log_dir)    #   Trace     

その後、TensorBoardで「Profile」を選択し、各操作の所要時間を時間軸で確認できます.tfを使用すると.functionは計算図を作成し、「Graphs」をクリックして図構造を表示することもできます.
≪インスタンス｜Instance｜emdw≫
ここではMNISTのトレーニング手順を例に挙げます.
1、モデルと訓練過程を定義する

import tensorflow as tf
import tensorflow.keras as keras
import tensorflow.keras.layers as layers

mnist = keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Add a channels dimension
x_train = x_train[..., tf.newaxis].astype(np.float32)
x_test = x_test[..., tf.newaxis].astype(np.float32)

train_ds = tf.data.Dataset.from_tensor_slices((x_train, y_train)).shuffle(10000).batch(32)
test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(x_test.shape[0])

class MyModel(keras.Model):
    # Set layers.
    def __init__(self):
        super(MyModel, self).__init__()
        # Convolution Layer with 32 filters and a kernel size of 5.
        self.conv1 = layers.Conv2D(32, kernel_size=5, activation=tf.nn.relu)
        # Max Pooling (down-sampling) with kernel size of 2 and strides of 2.
        self.maxpool1 = layers.MaxPool2D(2, strides=2)

        # Convolution Layer with 64 filters and a kernel size of 3.
        self.conv2 = layers.Conv2D(64, kernel_size=3, activation=tf.nn.relu)
        # Max Pooling (down-sampling) with kernel size of 2 and strides of 2.
        self.maxpool2 = layers.MaxPool2D(2, strides=2)

        # Flatten the data to a 1-D vector for the fully connected layer.
        self.flatten = layers.Flatten()

        # Fully connected layer.
        self.fc1 = layers.Dense(1024)
        # Apply Dropout (if is_training is False, dropout is not applied).
        self.dropout = layers.Dropout(rate=0.5)

        # Output layer, class prediction.
        self.out = layers.Dense(10)

    # Set forward pass.
    def call(self, x, is_training=False):
        x = tf.reshape(x, [-1, 28, 28, 1])
        x = self.conv1(x)
        x = self.maxpool1(x)
        x = self.conv2(x)
        x = self.maxpool2(x)
        x = self.flatten(x)
        x = self.fc1(x)
        x = self.dropout(x, training=is_training)
        x = self.out(x)
        if not is_training:
            # tf cross entropy expect logits without softmax, so only
            # apply softmax when not training.
            x = tf.nn.softmax(x)
        return x

model = MyModel()

loss_object = keras.losses.SparseCategoricalCrossentropy()
optimizer = keras.optimizers.Adam()

@tf.function
def train_step(images, labels):
    with tf.GradientTape() as tape:
        predictions = model(images)
        loss = loss_object(labels, predictions)
        loss = tf.reduce_mean(loss)
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))
    return loss

2、フォルダを作成してTensorBoardの記録ファイルを保存する

log_dir = 'tensorboard'

3、実例化記録器(トレースオン)

summary_writer = tf.summary.create_file_writer(log_dir)     #       
tf.summary.trace_on(profiler=True)  #   Trace（  ）

4、指定したレコーダにパラメータを記録する

EPOCHS = 5

for epoch in range(EPOCHS):
    for images, labels in train_ds.take(10):
        loss = train_step(images, labels)
        with summary_writer.as_default():                           #      
            tf.summary.scalar("loss", loss, step=epoch)       #               

with summary_writer.as_default():
    tf.summary.trace_export(name="model_trace", step=0, profiler_outdir=log_dir)    #   Trace     （  ）