ТЕНСОРФЛОВ | ТЕНСОРБОАРД - ТЕНСОРФЛОВ ТУТОРИАЛ

ТенсорФлов је алатка за визуелизацију која се зове ТенсорБоард. Користи се за анализу графикона тока података и користи се за разумевање модела машинског учења. ТенсорБоард је интерфејс који се користи за визуелизацију графикона и многе алате за разумевање, отклањање грешака и оптимизацију модела.

Важна карактеристика ТенсорБоард-а је да укључује преглед различитих типова статистике о параметрима и детаљима било ког графикона у вертикалном поравнању.

позовите јс функцију из хтмл-а

Дубока неуронска мрежа обухвата до 36.000 чворови. ТенсорФлов помаже у сажимању ових чворова на високом нивоу у сажимању ових чворова у блоковима високог нивоа и наглашавању идентичних структура. Ово омогућава бољу анализу графикона, фокусирајући се на примарне делове графа прорачуна.

За ТенсорБоард визуелизацију се каже да је веома интерактивна где корисник може да помера, зумира и шири чворове да би приказао детаље.

У наставку је дат приказ дијаграма који показује комплетан рад ТенсорБоард визуелизације-

Алгоритми сажимају чворове у блокове високог нивоа и наглашавају специфичне групе са идентичним структурама, које раздвајају чворове високог степена. ТенсорБоард креиран је користан и третира се подједнако важним за подешавање модела машинског учења. Овај алат за визуелизацију је дизајниран за датотеку евиденције конфигурације.

Погледајте слику испод:

Неуронска мрежа одлучује како да повеже различите ' неурона ' и колико слојева пре него што модел може да предвиди исход. Када смо дефинисали архитектуру, не само да морамо да обучимо модел већ и метрику да бисмо израчунали тачност предвиђања. Ова метрика се назива функција губитка. Циљ је да се као функција губитка.

ТенсорБоард је одличан алат за визуелизацију метрике и наглашавање потенцијалних проблема. Неуронској мрежи могу проћи сати до недеље пре него што пронађу решење. ТенсорБоард врло често ажурира параметре.

ТенсорБоард се налази на овој УРЛ адреси: хттп://лоцалхост:6006

Типови ДасхБоард-а у ТенсорБоард-у

1. Скаларна контролна табла

Користи се за визуелизацију временски зависних статистика; на пример, можда бисмо желели да погледамо варијације у стопи учења или функцији губитка.

2. Хистограм

Контролна табла хистограма у ТенсорБоард-у приказује како је статистичка дистрибуција Тензора варирала током времена. Он визуализује податке снимљене путем тф.суммари.хистограм .

јава крај за петљу

3. Контролна табла за дистрибуцију

Показује коришћење на високом нивоу тф.суммари.хистограм . Приказује неке стартове на високом нивоу на дистрибуцији. Свака линија на графикону даје наговештај о перцентилу у дистрибуцији података.

4. Контролна табла за слике

Ово показује пнг који је сачуван преко а тф.суммари.имаге . Редови одговарају ознакама, а колоне рунди. Коришћењем ове контролне табле за слике ТенсорБоарда, можемо да уградимо прилагођене визуелизације.

5. Аудио контролна табла

То је одличан алат за уграђивање аудио виџета који се могу репродуковати за аудио записе сачуване преко а тф.суммари.аудио . Контролна табла увек уграђује најновији звук за сваку ознаку.

6. Истраживач графова

Првенствено се користи за омогућавање инспекције ТенсорФлов модела.

7. Пројектор

Пројектор за уградњу у ТенсорФлов који се користи за вишедимензионалне податке. Пројектор за уградњу чита податке из датотеке контролне тачке и може бити подешен са одговарајућим подацима, као што је датотека речника.

8. Контролна табла за текст

Контролна табла за текст приказује стручњаке за текст сачуване путем тф.суммари.тект. , укључује функције као што су хипервезе, листе и табеле, све су подржане.

Различити погледи на ТенсорБоард

Различити погледи узимају уносе различитих формата и различито их приказују. Можемо их променити на наранџастој горњој траци.

скалари-Визуелизујте скаларне вредности, као што је тачност класификације.График-Визуелизирајте рачунарски граф нашег модела, попут модела неуронске мреже.дистрибуције-Замислите како се подаци мењају током времена, као што су тежине неуронске мреже.хистограми-Лепши поглед на дистрибуцију која приказује дистрибуцију која приказује дистрибуције у 3-димензионалној перспективи.Пројектор-Може се користити за визуелизацију уграђивања речи (то јест, уграђивање речи су нумеричке репрезентације речи које обухватају њихове семантичке односе)Слика-Визуелизација сликовних податакааудио-Визуелизација аудио податакаТекст-Визуелизација текстуалних података

Како користити ТенсорБоард?

Научићемо како да отворимо ТенсорБоард са терминала за МацОС и Виндовс на командној линији.

Код ће бити објашњен у будућем туторијалу; овде је фокус на ТенсорБоард-у.

Прво, треба да увеземо библиотеке које ћемо користити током обуке.

 ## Import the library import tensorflow as tf import numpy as np

Ми креирамо податке. То је низ од 10000 редова и колона/п>

 X_train = (np.random.sample((10000,5))) y_train = (np.random.sample((10000,1))) X_train.shape

Доњи код трансформише податке и креира модел.

Имајте на уму да је стопа учења једнака 0,1. Ако променимо ову стопу на вишу вредност, модел неће наћи решење. Ово се догодило на левој страни горње слике.

У примеру испод, модел складиштимо унутар радног директоријума, тј. где чувамо бележницу или питхон датотеку. Унутар путање, ТенсорФлов креира фасциклу под називом траин са именом подређене фасцикле линрег.

 feature_columns = [ tf.feature_column.numeric_column(&apos;x&apos;, shape=X_train.shape[1:])] DNN_reg = tf.estimator.DNNRegressor(feature_columns=feature_columns, # Indicate where to store the log file model_dir=&apos;train&apos;, hidden_units=[500, 300], optimizer=tf.train.ProximalAdagradOptimizer( learning_rate=0.1, l1_regularization_strength=0.001 ) )

Излаз:

листа у јава

 INFO:tensorflow:Using the default configuration. INFO:tensorflow:Using config:{&apos;_model_dir&apos;: &apos;train/linreg&apos;, &apos;_tf_random_seed&apos;: None, &apos;_save_summary_steps&apos;: 100, &apos;_save_checkpoints_steps&apos;: None, &apos;_save_checkpoints_secs&apos;: 600, &apos;_session_config&apos;: None, &apos;_keep_checkpoint_max&apos;: 5, &apos;_keep_checkpoint_every_n_hours&apos;: 10000, &apos;_log_step_count_steps&apos;: 100, &apos;_train_distribute&apos;: None, &apos;_service&apos;: None, &apos;_cluster_spec&apos;: , &apos;_task_type&apos;: &apos;worker&apos;, &apos;_task_id&apos;: 0, &apos;_global_id_in_cluster&apos;: 0, &apos;_master&apos;: &apos;&apos;, &apos;_evaluation_master&apos;: &apos;&apos;, &apos;_is_chief&apos;: True, &apos;_num_ps_replicas&apos;: 0, &apos;_num_worker_replicas&apos;: 1}

Последњи корак је обука модела. Током периода обуке, ТенсорФлов уписује информације у директоријум модела.

 # Train the estimator train_input = tf.estimator.inputs.numpy_input_fn( x={&apos;x&apos;: X_train}, y=y_train, shuffle=False,num_epochs=None) DNN_reg.train(train_input,steps=3000)

Излаз:

 INFO:tensorflow:Calling model_fn. INFO:tensorflow:Done calling model_fn. INFO:tensorflow:Create CheckpointSaverHook. INFO:tensorflow: Graph was finalized. INFO:tensorflow:Running local_init_op. INFO:tensorflow:Done running local_init_op. INFO:tensorflow:Saving checkpoints for 1 into train/linreg/model.ckpt. INFO:tensorflow:loss = 40.060104, step = 1 INFO:tensorflow:global_step/sec: 197.061 INFO:tensorflow:loss = 10.62989, step = 101 (0.508 sec) INFO:tensorflow:global_step/sec: 172.487 INFO:tensorflow:loss = 11.255318, step = 201 (0.584 sec) INFO:tensorflow:global_step/sec: 193.295 INFO:tensorflow:loss = 10.604872, step = 301 (0.513 sec) INFO:tensorflow:global_step/sec: 175.378 INFO:tensorflow:loss = 10.090343, step = 401 (0.572 sec) INFO:tensorflow:global_step/sec: 209.737 INFO:tensorflow:loss = 10.057928, step = 501 (0.476 sec) INFO:tensorflow:global_step/sec: 171.646 INFO:tensorflow:loss = 10.460144, step = 601 (0.583 sec) INFO:tensorflow:global_step/sec: 192.269 INFO:tensorflow:loss = 10.529617, step = 701 (0.519 sec) INFO:tensorflow:global_step/sec: 198.264 INFO:tensorflow:loss = 9.100082, step = 801 (0.504 sec) INFO:tensorflow:global_step/sec: 226.842 INFO:tensorflow:loss = 10.485607, step = 901 (0.441 sec) INFO:tensorflow:global_step/sec: 152.929 INFO:tensorflow:loss = 10.052481, step = 1001 (0.655 sec) INFO:tensorflow:global_step/sec: 166.745 INFO:tensorflow:loss = 11.320213, step = 1101 (0.600 sec) INFO:tensorflow:global_step/sec: 161.854 INFO:tensorflow:loss = 9.603306, step = 1201 (0.619 sec) INFO:tensorflow:global_step/sec: 179.074 INFO:tensorflow:loss = 11.110269, step = 1301 (0.556 sec) INFO:tensorflow:global_step/sec: 202.776 INFO:tensorflow:loss = 11.929443, step = 1401 (0.494 sec) INFO:tensorflow:global_step/sec: 144.161 INFO:tensorflow:loss = 11.951693, step = 1501 (0.694 sec) INFO:tensorflow:global_step/sec: 154.144 INFO:tensorflow:loss = 8.620987, step = 1601 (0.649 sec) INFO:tensorflow:global_step/sec: 151.094 INFO:tensorflow:loss = 10.666125, step = 1701 (0.663 sec) INFO:tensorflow:global_step/sec: 193.644 INFO:tensorflow:loss = 11.0349865, step = 1801 (0.516 sec) INFO:tensorflow:global_step/sec: 189.707 INFO:tensorflow:loss = 9.860596, step = 1901 (0.526 sec) INFO:tensorflow:global_step/sec: 176.423 INFO:tensorflow:loss = 10.695, step = 2001 (0.567 sec) INFO:tensorflow:global_step/sec: 213.066 INFO:tensorflow:loss = 10.426752, step = 2101 (0.471 sec) INFO:tensorflow:global_step/sec: 220.975 INFO:tensorflow:loss = 10.594796, step = 2201 (0.452 sec) INFO:tensorflow:global_step/sec: 219.289 INFO:tensorflow:loss = 10.4212265, step = 2301 (0.456 sec) INFO:tensorflow:global_step/sec: 215.123 INFO:tensorflow:loss = 9.668612, step = 2401 (0.465 sec) INFO:tensorflow:global_step/sec: 175.65 INFO:tensorflow:loss = 10.009649, step = 2501 (0.569 sec) INFO:tensorflow:global_step/sec: 206.962 INFO:tensorflow:loss = 10.477722, step = 2601 (0.483 sec) INFO:tensorflow:global_step/sec: 229.627 INFO:tensorflow:loss = 9.877638, step = 2701 (0.435 sec) INFO:tensorflow:global_step/sec: 195.792 INFO:tensorflow:loss = 10.274586, step = 2801 (0.512 sec) INFO:tensorflow:global_step/sec: 176.803 INFO:tensorflow:loss = 10.061047, step = 2901 (0.566 sec) INFO:tensorflow:Saving checkpoints for 3000 into train/linreg/model.ckpt. INFO:tensorflow: Loss for the final step: 10.73032.

За корисника Виндовс-а

 cd C:UsersAdminAnaconda3 activate hello-tf

Да бисмо покренули ТенсорБоард, можемо користити овај код

 tensorboard --logdir=.	rainlinreg