今天，谷歌发布了一系列TensorBoard API，开发者可在TensorBoard中添加自定义的可视化插件，实现自定义可视化效果。同时，谷歌还升级了TensorBoard的仪表盘。

API获取地址：

https://github.com/tensorflow/tensorboard-plugin-example/blob/master/README.md

这些API有何特点？谷歌背后的目的何在？我们不妨一探究竟。

△ TensorBoard完全配置时的样子

由难到易

这事还得从头说起。

2015年，谷歌开源了TensorFlow，里面自带一套帮助检测、理解和运行模型的可视化工具TensorBoard。

TensorBoard中包含了一小组预先确定的通用可视化效果，基本上适用于所有的深度学习应用，比如观察损失随时间的变化，或在高维空间中探索聚类。

然而，在没有可重用的API时，TensorFlow团队外的开发人员添加新的可视化效果比较困难。因此，谷歌决定发布一套统一的API，让开发者能在TensorBoard中添加自定义的可视化插件。同时，谷歌还用这些新API升级了现有的仪表盘，当做创作参考示例。

举个栗子

目前，用户可以在GitHub上找到TensorBoard/plugins目录，探索这些TensorBoard中的插件列表。

目录地址：

https://github.com/tensorflow/tensorboard-plugin-example

举个例子，比如这个能生成准确率与召回率曲线的新插件pr_curves：

这个插件展示了标准TensorBoard插件中包含的三部分内容：

1. 用于收集数据供以后可视化使用的summary_operation文档

GitHub地址：

https://github.com/tensorflow/tensorboard/blob/master/tensorboard/plugins/pr_curve/summary.py

2. 为自定义数据服务的Python后端

GitHub地址：

https://github.com/tensorflow/tensorboard/blob/master/tensorboard/plugins/pr_curve/pr_curves_plugin.py

3. 内置TypeScript和polymer的TensorBoard仪表盘

GitHub地址：

https://github.com/tensorflow/tensorboard/tree/master/tensorboard/plugins/pr_curve/tf_pr_curve_dashboard

此外，与其他插件一样，“pr_curves”提供了一个Demo，用户可以学习如何使用插件，插件开发者可用来生成开发期间的示例数据。

为了进一步说明插件是如何工作的，谷歌还创建了一个框架性的Greeter插件，它能在运行模型时可以收集并显示问候语。谷歌在博客中建议开发人员从Greeter插件和其他现有的插件开始探索。

插件地址：

https://github.com/tensorflow/tensorboard/tree/master/tensorboard/plugins

比如，杨百翰大学的Chris Anderson硕士期间创建了一个API并命名为Beholder，Beholder能将训练模型时的数据（如梯度和卷积滤波器等）以视频的形式展示出来，量子位将demo视频搬运了过来：

△ Anderson创建TensorBoard API Beholder

“全民AI”

不得不说，谷歌一直是“全民AI”的拥护者。

上月，谷歌TensorFlow和AIY（AI+DIY）团队开源了语音识别数据集，帮助开发者为各种智能设备创建个性基本语音指令。

今年6月，推在移动设备上运行的AI模型TensorFlow Lite后没几周，谷歌又开源了预先训练的计算机视觉模型MobileNets，专为智能手机设计。

最后，附Google Research Blog原文地址：

https://research.googleblog.com/2017/09/build-your-own-machine-learning.html