tensorboard
Visualize training metrics, debug models with histograms, compare experiments, visualize model graphs, and profile performance with TensorBoard - Google's ML visualization toolkit
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Visualize training metrics, debug models with histograms, compare experiments, visualize model graphs, and profile performance with TensorBoard - Google's ML visualization toolkit
How to use
Zainstaluj TensorBoard poleceniem
pip install tensorboard. Jeśli pracujesz z PyTorch, zainstaluj równieżtorchitorchvision. Dla TensorFlow wystarczypip install tensorflow, ponieważ TensorBoard jest już w pakiecie.W kodzie treningowym zaimportuj SummaryWriter z biblioteki torch.utils.tensorboard (PyTorch) lub skonfiguruj callback TensorBoard w Keras (TensorFlow).
Podczas treningu loguj metryki za pomocą
writer.add_scalar()dla wartości skalarnych (strata, dokładność) lubwriter.add_histogram()dla rozkładów wag. Określ ścieżkę do katalogu logów, np. 'runs/experiment_1'.Po zakończeniu treningu zamknij writer poleceniem
writer.close().Uruchom TensorBoard z linii poleceń:
tensorboard --logdir=runs, gdzie 'runs' to katalog zawierający logi. Narzędzie uruchomi się na http://localhost:6006.Otwórz przeglądarkę i przejdź na wskazany adres. Przejrzyj wykresy metryk, porównaj eksperymenty, analizuj histogramy i wizualizacje modelu.