如何使用Keras的Tensorboard回调？

我已经用Keras建立了一个神经网络。我将通过Tensorboard可视化其数据，因此我利用了：

keras.callbacks.TensorBoard(log_dir='/Graph', histogram_freq=0,
                            write_graph=True, write_images=True)

如keras.io中所述。运行回调时，我得到了<keras.callbacks.TensorBoard at 0x7f9abb3898>，但是文件夹“ Graph”中没有任何文件。我使用此回调的方式有问题吗？

keras.callbacks.TensorBoard(log_dir='./Graph', histogram_freq=0,  
          write_graph=True, write_images=True)

该行创建了一个回调Tensorboard对象，您应该捕获该对象并将其提供给fit模型功能。

tbCallBack = keras.callbacks.TensorBoard(log_dir='./Graph', histogram_freq=0, write_graph=True, write_images=True)
...
model.fit(...inputs and parameters..., callbacks=[tbCallBack])

这样，您就将回调对象提供给了函数。它会在训练期间运行，并输出可与tensorboard一起使用的文件。

如果要可视化培训期间创建的文件，请在终端中运行

tensorboard --logdir path_to_current_dir/Graph 

希望这可以帮助 ！

这是使用TensorBoard回调的方式：

from keras.callbacks import TensorBoard

tensorboard = TensorBoard(log_dir='./logs', histogram_freq=0,
                          write_graph=True, write_images=False)
# define model
model.fit(X_train, Y_train,
          batch_size=batch_size,
          epochs=nb_epoch,
          validation_data=(X_test, Y_test),
          shuffle=True,
          callbacks=[tensorboard])

更改

keras.callbacks.TensorBoard(log_dir='/Graph', histogram_freq=0,  
          write_graph=True, write_images=True)

至

tbCallBack = keras.callbacks.TensorBoard(log_dir='Graph', histogram_freq=0,  
          write_graph=True, write_images=True)

并设定你的模型

tbCallback.set_model(model)

在您的终端中运行

tensorboard  --logdir Graph/

如果您正在使用Keras库并且想要使用tensorboard打印准确性和其他变量的图，那么下面是要遵循的步骤。

步骤1：使用以下命令初始化keras回调库以导入张量板

from keras.callbacks import TensorBoard

第2步：在“ model.fit（）”命令之前，在程序中包含以下命令。

tensor_board = TensorBoard(log_dir='./Graph', histogram_freq=0, write_graph=True, write_images=True)

注意：使用“ ./graph”。它将在您当前的工作目录中生成graph文件夹，避免使用“ / graph”。

步骤3：在“ model.fit（）”中包含Tensorboard回调。示例如下。

model.fit(X_train,y_train, batch_size=batch_size, epochs=nb_epoch, verbose=1, validation_split=0.2,callbacks=[tensor_board])

步骤4：运行代码，并检查工作目录中是否存在图形文件夹。如果以上代码正常工作，您的工作目录中将包含“ Graph”文件夹。

步骤5：在工作目录中打开Terminal，然后输入以下命令。

tensorboard --logdir ./Graph

步骤6：现在打开您的Web浏览器并在下面输入地址。

http://localhost:6006

输入后，将打开Tensorbaord页面，您可以在其中查看不同变量的图形。

这是一些代码：

K.set_learning_phase(1)
K.set_image_data_format('channels_last')

tb_callback = keras.callbacks.TensorBoard(
    log_dir=log_path,
    histogram_freq=2,
    write_graph=True
)
tb_callback.set_model(model)
callbacks = []
callbacks.append(tb_callback)

# Train net:
history = model.fit(
    [x_train],
    [y_train, y_train_c],
    batch_size=int(hype_space['batch_size']),
    epochs=EPOCHS,
    shuffle=True,
    verbose=1,
    callbacks=callbacks,
    validation_data=([x_test], [y_test, y_test_coarse])
).history

# Test net:
K.set_learning_phase(0)
score = model.evaluate([x_test], [y_test, y_test_coarse], verbose=0)

基本上，它histogram_freq=2是调用此回调时要调整的最重要参数：它设置一个时间间隔来调用该回调，目的是减少磁盘上的文件数量。

因此，这是在TensorBoard中看到的整个训练过程中最后一次卷积值演变的示例可视化，它位于“直方图”选项卡下（我发现“分布”选项卡包含非常相似的图表，但侧向翻转）：

如果您想在上下文中看到完整的示例，可以参考以下开源项目：https : //github.com/Vooban/Hyperopt-Keras-CNN-CIFAR-100

如果您使用的是google-colab，则图表的简单可视化效果如下：

import tensorboardcolab as tb

tbc = tb.TensorBoardColab()
tensorboard = tb.TensorBoardColabCallback(tbc)


history = model.fit(x_train,# Features
                    y_train, # Target vector
                    batch_size=batch_size, # Number of observations per batch
                    epochs=epochs, # Number of epochs
                    callbacks=[early_stopping, tensorboard], # Early stopping
                    verbose=1, # Print description after each epoch
                    validation_split=0.2, #used for validation set every each epoch
                    validation_data=(x_test, y_test)) # Test data-set to evaluate the model in the end of training

你写的log_dir='/Graph'是你的意思./Graph吗？您已将其发送到/home/user/Graph。

您应该查看Losswise（https://losswise.com），它具有Keras 插件，比Tensorboard易于使用，并且具有一些不错的附加功能。使用Losswise，您只需使用from losswise.libs import LosswiseKerasCallback然后就可以使用callback = LosswiseKerasCallback(tag='my fancy convnet 1')了（请参阅https://docs.losswise.com/#keras-plugin）。

有几件事。

首先，不/Graph但./Graph

其次，当您使用TensorBoard回调时，请始终传递验证数据，因为如果没有验证数据，它将无法启动。

第三，如果要使用除标量汇总之外的任何内容，则应仅使用该fit方法，因为fit_generator它将无法工作。或者，您可以重写回调以使用fit_generator。

要添加回调，只需将其添加到 model.fit(..., callbacks=your_list_of_callbacks)

创建Tensorboard回调：

from keras.callbacks import TensorBoard
from datetime import datetime
logDir = "./Graph/" + datetime.now().strftime("%Y%m%d-%H%M%S") + "/"
tb = TensorBoard(log_dir=logDir, histogram_freq=2, write_graph=True, write_images=True, write_grads=True)

将Tensorboard回调传递给fit调用：

history = model.fit(X_train, y_train, epochs=200, callbacks=[tb])

运行模型时，如果出现Keras错误

“必须输入占位符张量的值”

尝试通过执行以下操作在模型创建之前重置Keras会话：

import keras.backend as K
K.clear_session()