Keras使用tensorboard顯示訓練過程的實例
眾所周知tensorflow造勢雖大卻很難用，因此推薦使用Keras，它缺省是基于tensorflow的，但通過修改keras.json也可以用于theano。但是為了能用tensorflow提供的tensorboard，因此建議仍基于tensorflow。
那么問題來了，由于Keras隱藏了tensorflow那令人詬病、可笑至極的graph構建方法，那么如何使用tensorboard呢？一般網(wǎng)站上會告訴你是這樣的：
方法一（標準調用方法）：
采用keras特有的fit()進行訓練，只要在fit的時候指定callbacks函數(shù)即可，代碼如下
from keras.callbacks import TensorBoard from keras.models import Sequential …… model = Sequential() …… tbCallBack = keras.callbacks.TensorBoard(log_dir='./Graph', histogram_freq=1, write_graph=True, write_images=True) model_history = model.fit(X_train_train, y_train_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(X_train_val, y_train_val), callbacks = [EarlyStopping(patience=patience,mode='min',verbose=1), history, tbCallBack])
雖然這種方法看上去很美，但它只適用于標準訓練方法，如果你想用自己的訓練方法，就需要調用train_on_batch，而不能直接使用fit()，這時就要采用下面這種方法：
方法二（特殊調用方法）：
這種方法可用于調用train_on_batch的情況。
%預先寫好writer，定義好model writer = tf.summary.FileWriter(…) model = … %訓練時 loss = model.train_on_batch(…) summary = tf.Summary(value=[ tf.Summary.Value(tag=”d_loss”, simple_value=d_loss), tf.Summary.Value(tag=”g_loss”, simple_value=g_loss), ]) writer.add_summary(summary)
雖然很簡單，但這種方法只能顯示scalar類型，不能顯示image,histgram等，非常不實用。真正實用的是下面的終結方法：
方法三（最實用的方法）
最實用的還是用tensorflow原生的調用方法，雖然相對方法二麻煩一點，但考慮到此方法與tensorflow一樣，不需要去記那些額外的花拳繡腿，因此反而是最簡單的，也是最有效的。
代碼如下：
import tensorflow as tf import datetime %在訓練開始之前，預先定義好可視化的東西，用的是原生的tensorflow方法，這里我們以一個GAN模型為例，讓它顯示整張模型圖，兩個標量損失函數(shù)，以及5個生成圖像。方法是預先用placeholder聲明所要顯示的那些東西，然后在訓練過程中將訓練結果來填充它們。你可以自行加入histgram，都和tensorflow一樣 #start tensorboard sess=tf.Session() logdir = “tensorboard/” + datetime.datetime.now().strftime(“%Y%m%d-%H%M%S”) + “/” writer = tf.summary.FileWriter(logdir, sess.graph) D_LOSS = tf.placeholder(tf.float32, []) G_LOSS = tf.placeholder(tf.float32, []) IMAGES = tf.placeholder(tf.float32,shape=[None,28,28,1]) tf.summary.scalar(“D_LOSS”, D_LOSS) tf.summary.scalar(“G_LOSS”, G_LOSS) tf.summary.image(“IMAGES”, IMAGES, 5) merged=tf.summary.merge_all() #end tensorboard
訓練迭代過程中，是這樣的
for epoch in range(100):
% 用keras的train_on_batch方法進行訓練
d_loss = d.train_on_batch(。。。。。。)
g_loss = d_on_g.train_on_batch(。。。。。。)
generated_images = g.predict(。。。。。。)
if index%10==0: #tensorboard
% 將訓練結果填充可視化數(shù)據(jù)
summary=sess.run(merged,feed_dict={D_LOSS:d_loss, G_LOSS:g_loss, IMAGES:generated_images})
writer.add_summary(summary,index)
以上這篇Keras使用tensorboard顯示訓練過程的實例就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關文章
發(fā)現(xiàn)有很多小伙伴還不知道如何搭建Django框架,今天特地整理了本篇文章,基于Python3和mysql8.0,文中有非常詳細的步驟教程,對小伙伴很有幫助,需要的朋友可以參考下2021-05-05
這篇文章主要介紹了python3 讀取python2的npy文件操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-03-03
這篇文章主要介紹了PyCharm2019安裝教程(圖文教程)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-09-09
這篇文章主要介紹了Django nginx配置實現(xiàn)過程詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-09-09
python基于物品協(xié)同過濾算法實現(xiàn)代碼
這篇文章主要為大家詳細介紹了python基于物品協(xié)同過濾算法實現(xiàn)代碼，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-05-05
Python中使用實現(xiàn)輸出哈沙德數(shù)的多種方法小結
哈沙德數(shù)（Harshad?Number）,又稱Niven數(shù),是指一個自然數(shù),它可以被它的各位數(shù)字之和整除,本文將探討如何使用多種不同的方法來判斷一個數(shù)字是否是哈沙德數(shù),感興趣的可以了解下2024-01-01
Python+PyQt5+MySQL實現(xiàn)天氣管理系統(tǒng)
這篇文章主要為大家詳細介紹了Python+PyQt5+MySQL實現(xiàn)天氣管理系統(tǒng)，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-06-06
Python使用pymongo庫操作MongoDB數(shù)據(jù)庫的方法實例
今天小編就為大家分享一篇關于Python使用pymongo庫操作MongoDB數(shù)據(jù)庫的方法實例，小編覺得內容挺不錯的，現(xiàn)在分享給大家，具有很好的參考價值，需要的朋友一起跟隨小編來看看吧2019-02-02
本文主要介紹了Numpy?三維數(shù)組索引與切片，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-03-03
這篇文章主要介紹了Python3將ipa包中的文件按大小排序，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04