TensorBoard

TensorBoard是用于提供机器学习工作流程期间所需的测量和可视化的工具。它使您能够跟踪实验指标，例如损失和准确性，可视化模型图，将嵌入物投影到较低维度的空间等等。

使用方式

在tensorflow环境下，复制粘贴以下代码，即可使用TensorBoard

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

# 模拟一些训练数据
X_train = np.random.rand(1000, 10)  # 1000 个样本，每个样本有 10 个特征
y_train = np.random.randint(2, size=(1000, 1))  # 1000 个二分类标签（0 或 1）

# 创建一个简单的神经网络模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(10,)),  # 输入层，有 10 个输入特征
    Dense(32, activation='relu'),  # 隐藏层
    Dense(1, activation='sigmoid')  # 输出层
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 创建 TensorBoard 回调
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='/root/tf-logs', histogram_freq=1)

# 训练模型，并记录日志到 TensorBoard
model.fit(X_train, y_train, epochs=500, batch_size=32, callbacks=[tensorboard_callback])

注意：log_dir固定为/root/tf-logs

相关文章