1. keras如何使用tensorboard

? ? ? ? keras使用tensorboard是通過回調函數來實現的，關于什么是keras的“回調函數”，這里就不再贅述了，所以Tensorboard也是定義在keras.callbacks模塊中的，通過構造一個Tensorboard類的對象，然后在訓練的時候在fit里面指定callbacks參數即可，keras使用的一般格式為：

# 構造一個Tensorboard類的對象 tbCallBack = TensorBoard(log_dir="./model",update_freq='batch', histogram_freq=0,write_graph=True, write_images=True,...)# 在fit 里面指定callbacks參數 history=model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=2, validation_split=0.2,callbacks=[tbCallBack])

2. Tensorboard類詳解

該類在keras.callbacks模塊中。它的參數列表如下：

• log_dir: 用來保存被 TensorBoard 分析的日志文件的文件名。
• histogram_freq: 對于模型中各個層計算激活值和模型權重直方圖的頻率（訓練輪數中）。 如果設置成 0 ，直方圖不會被計算。對于直方圖可視化的驗證數據（或分離數據）一定要明確的指出。
• write_graph: 是否在 TensorBoard 中可視化圖像。 如果 write_graph 被設置為 True。
• write_grads: 是否在 TensorBoard 中可視化梯度值直方圖。?histogram_freq?必須要大于 0 。
• batch_size: 用以直方圖計算的傳入神經元網絡輸入批的大小。
• write_images: 是否在 TensorBoard 中將模型權重以圖片可視化，如果設置為True，日志文件會變得非常大。
• embeddings_freq: 被選中的嵌入層會被保存的頻率（在訓練輪中）。
• embeddings_layer_names: 一個列表，會被監測層的名字。 如果是 None 或空列表，那么所有的嵌入層都會被監測。
• embeddings_metadata: 一個字典，對應層的名字到保存有這個嵌入層元數據文件的名字。 查看?詳情?關于元數據的數據格式。 以防同樣的元數據被用于所用的嵌入層，字符串可以被傳入。
• embeddings_data: 要嵌入在?embeddings_layer_names?指定的層的數據。 Numpy 數組（如果模型有單個輸入）或 Numpy 數組列表（如果模型有多個輸入）。?Learn ore about embeddings。
• update_freq:?'batch'?或?'epoch'?或 整數。當使用?'batch'?時，在每個 batch 之后將損失和評估值寫入到 TensorBoard 中；同樣的情況應用到?'epoch'?中；如果使用整數，例如?10000，這個回調會在每 10000 個樣本之后將損失和評估值寫入到 TensorBoard 中。注意，頻繁地寫入到 TensorBoard 會減緩你的訓練。

3. 打開TensorBoard方式

? Terminal中輸入：tensorboard --logdir=G:\python\Machine_learning\yangzhou\LSTM_window\logs?

4. 用tensorboard顯示損失函數的值曲線圖，為何會有顏色深淺兩條線

? 深色線：平滑之后

? 淺色線：真實曲線

? ? tensorboard左邊有一個平滑度數選擇，默認是0.6，調節之后曲線就會發生變化，原來顏色淺的才是真實曲線，但真實曲線往往不好看，所以加入了平滑產生了顏色深的線。

? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

5. 其他解釋參考文章

??Tensorboard深入詳解（一）——使用keras結合Tensorboard可視化神經網絡詳細教程

總結

以上是生活随笔為你收集整理的Tensorboard—使用keras结合Tensorboard可视化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。