TensorFlow新功能解锁:可在TensorBoard中增加自定义可视化插件

简介: 我们在2015年开源TensorFlow时就包括TensorBoard了,它是一套用于检查和理解TensorFlow模型和进程的可视化工具。Tensorboard包含一小套预决定的通用可视化工具,几乎适用于所有深度学习应用,例如观察损失随时间的变化,探索高维空间集群。

谷歌大脑团队日前发布新的TensorFlow API接口,能让开发者将自定义的可视化插件加入TensorBoard,相较以前更具灵活性。

雷锋网 AI科技评论将最新消息编译整理如下:

我们在2015年开源TensorFlow时就包括TensorBoard了,它是一套用于检查和理解TensorFlow模型和进程的可视化工具。Tensorboard包含一小套预决定的通用可视化工具,几乎适用于所有深度学习应用,例如观察损失随时间的变化,探索高维空间集群。

然而,在缺乏可重用API的情况下,不属于TensorFlow团队的人几乎不可能在TensorBoard中增加新的可视化工具,这使得我们错过了研究社群中很多潜在的极具创造力、美观性和有用的可视化工具。

现在,我们发布了一组一致的API接口,通过这组接口,开发者能增加自定义可视化插件到TensorBoard中,大家可以将自己开发的新的、有用的可视化工具加进来。我们希望开发人员能用这个API来扩展TensorBoard,让它覆盖更广泛的用例。

我们已经更新了TensorBoard中的现有dashboard,它们可以作为样例,大家可以使用新的API接口加入插件。现在可以直接在GitHub的tensorboard/plugins目录下看到TensorBoard包含的插件,大家可以观察下生成precision-recall曲线的新插件,如下图:

TensorFlow新功能解锁:可在TensorBoard中增加自定义可视化插件

这个插件展示了标准TensorBoard插件的三部分:

  • 用于为之后的可视化进行数据收集的TensorFlow summary op。

  • 提供自定义数据的Python后端。

  • 用TypeScript和polymer建造的TensorBoard dashboard。

另外,与其他插件一样,“pr_curves”插件提供了一个demo,用户可以查看这个demo,学习如何使用这个插件,插件作者也可以利用这个demo在开发过程中生成示例数据。

为了进一步说明插件是如何工作的,我们还创建了一个简单的TensorBoard Greeter插件,在模型运行期间,这个插件收集问候语(“你好”后面有些简单的字符串)并将他们显示出来。

我们建议大家先从Greeter插件和其他已有的插件开始探索。

Beholder是Chris Anderson在读研期间开发的,是利用TensorBoard API的一个著名示例,Beholder在训练模型期间能将数据实时用视频显示,大家可以看下面的动图。

TensorFlow新功能解锁:可在TensorBoard中增加自定义可视化插件

TensorFlow新功能解锁:可在TensorBoard中增加自定义可视化插件

我们期待看到研究社群接下来的创新成果。如果你计划在TensorBoard库中新增插件,希望你先通过issue tracker与我们联系,表达你的想法,我们或许可以帮助和引导你。



本文作者:Non
本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
TensorFlow的可视化工具:TensorBoard的使用
【4月更文挑战第17天】TensorBoard是TensorFlow的官方可视化工具,用于展示和分析模型训练过程、结构和数据。它包括标量、图像、音频、模型图和直方图等多种可视化功能。通过`tf.summary`记录数据,使用`tensorboard --logdir`启动。高级功能包括自定义仪表板、嵌入和插件,助力深度学习的调试与优化。
|
5月前
|
机器学习/深度学习 算法 TensorFlow
文本分类识别Python+卷积神经网络算法+TensorFlow模型训练+Django可视化界面
文本分类识别Python+卷积神经网络算法+TensorFlow模型训练+Django可视化界面
114 0
文本分类识别Python+卷积神经网络算法+TensorFlow模型训练+Django可视化界面
|
2月前
|
TensorFlow 算法框架/工具 Python
【Tensorflow】解决Tensorboard: ValueError: Duplicate plugins for name projector
解决TensorBoard版本冲突的方法,即通过卸载冲突的TensorFlow相关包然后重新安装所需的版本。
78 1
|
2月前
|
TensorFlow 算法框架/工具
【Tensorflow+Keras】学习率指数、分段、逆时间、多项式衰减及自定义学习率衰减的完整实例
使用Tensorflow和Keras实现学习率衰减的完整实例,包括指数衰减、分段常数衰减、多项式衰减、逆时间衰减以及如何通过callbacks自定义学习率衰减策略。
48 0
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
Python用线性回归和TensorFlow非线性概率神经网络不同激活函数分析可视化
Python用线性回归和TensorFlow非线性概率神经网络不同激活函数分析可视化
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化2
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化1
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
|
5月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
TensorFlow中的自定义层与模型
【4月更文挑战第17天】本文介绍了如何在TensorFlow中创建自定义层和模型。自定义层通过继承`tf.keras.layers.Layer`,实现`__init__`, `build`和`call`方法。例如,一个简单的全连接层`CustomDenseLayer`示例展示了如何定义激活函数。自定义模型则继承自`tf.keras.Model`,在`__init__`中定义层,在`call`中实现前向传播。这两个功能使TensorFlow能应对特定需求和复杂网络结构,增强了其在深度学习应用中的灵活性。
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
用TensorBoard可视化tensorflow神经网络模型结构与训练过程的方法
用TensorBoard可视化tensorflow神经网络模型结构与训练过程的方法
306 1

热门文章

最新文章