tf.keras.callbacks.TensorBoard函数

类 TensorBoard

继承自：Callback

定义在：tensorflow/python/keras/callbacks.py。

Tensorboard基本可视化。

TensorBoard是由Tensorflow提供的一个可视化工具。

此回调为TensorBoard编写日志，该日志允许您可视化训练和测试度量的动态图形，也可以可视化模型中不同层的激活直方图。

如果您已经使用pip安装了TensorFlow，那么您应该能够从命令行启动TensorBoard：

tensorboard --logdir=/full_path_to_your_logs

参数：

• log_dir：保存TensorBoard要解析的日志文件的目录的路径。
• histogram_freq：频率（在epoch中），计算模型层的激活和权重直方图。如果设置为0，则不会计算直方图。必须为直方图可视化指定验证数据（或拆分）。
• write_graph：是否在TensorBoard中可视化图像。当write_graph设置为True时，日志文件可能会变得非常大。
• write_grads：是否在TensorBoard中可视化渐变直方图。 histogram_freq必须大于0。
• batch_size：用以直方图计算的传入神经元网络输入批的大小。
• write_images：是否在TensorBoard中编写模型权重以显示为图像。
• embeddings_freq：将保存所选嵌入层的频率（在epoch中）。如果设置为0，则不会计算嵌入。要在TensorBoard的嵌入选项卡中显示的数据必须作为embeddings_data传递。
• embeddings_layer_names：要关注的层名称列表。如果为None或空列表，则将监测所有嵌入层。
• embeddings_metadata：将层名称映射到文件名的字典，其中保存了此嵌入层的元数据。如果相同的元数据文件用于所有嵌入层，则可以传递字符串。
• embeddings_data：要嵌入在embeddings_layer_names指定的层的数据。Numpy数组（如果模型有单个输入）或Numpy数组列表（如果模型有多个输入）。
• update_freq：'batch'或'epoch'或整数。使用'batch'时，在每个batch后将损失和指标写入TensorBoard。这同样适用'epoch'。如果使用整数，比方说1000，回调将会在每1000个样本后将指标和损失写入TensorBoard。请注意，过于频繁地写入TensorBoard会降低您的训练速度。

可能引发的异常：

• ValueError：如果设置了histogram_freq且未提供验证数据。

Eager兼容性

使用Tensorboard回调将在启用eager执行时起作用，但不支持输出权重和渐变的直方图摘要，因此histogram_freq将被忽略。

__init__(
    log_dir='./logs',
    histogram_freq=0,
    batch_size=32,
    write_graph=True,
    write_grads=False,
    write_images=False,
    embeddings_freq=0,
    embeddings_layer_names=None,
    embeddings_metadata=None,
    embeddings_data=None,
    update_freq='epoch'
)

初始化自我。

方法

on_batch_begin(
    batch,
    logs=None
)

on_batch_end(
    batch,
    logs=None
)

为每个训练批次写入指标的标量摘要。

on_epoch_begin(
    epoch,
    logs=None
)

将直方图操作添加到Model eval_function回调中，重置批次计数。

on_epoch_end(
    epoch,
    logs=None
)

检查摘要操作是否应该运行下一个epoch，记录标量摘要。

on_train_batch_begin(
    batch,
    logs=None
)

on_train_batch_end(
    batch,
    logs=None
)

on_train_begin(logs=None)

on_train_end(logs=None)

set_model(model)

设置Keras模型并创建摘要操作。

set_params(params)