TensorBoard（3）模型图

╰半夏微凉° 2022-10-07 09:56 146阅读 0赞

## 前言 ##

TensorBoard的图仪表盘（graph）是检测模型的强大工具，可以快速查看模型结构的预览图，并确保其符合预期想法。还可以查看操作级图，以了解Tensorflow程序。

## 一、训练模型并记录数据 ##

首先定义一个简单的顺序模型

# Define the model.
    model = keras.models.Sequential([
        keras.layers.Flatten(input_shape=(28, 28)),
        keras.layers.Dense(32, activation='relu'),
        keras.layers.Dropout(0.2),
        keras.layers.Dense(10, activation='softmax')
    ])
    
    model.compile(
        optimizer='adam',
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy'])

训练之前，请定义Keras TensorBoard callback ，并只当日志目录。通过将此回调函数传递该Model.fit( )，可以确保在TensorBoard中记录图形数据以进行可视化。

# Define the Keras TensorBoard callback.
    logdir="logs/fit/" + datetime.now().strftime("%Y%m%d-%H%M%S")
    tensorboard_callback = keras.callbacks.TensorBoard(log_dir=logdir)
    
    # Train the model.
    model.fit(
        train_images,
        train_labels, 
        batch_size=64,
        epochs=5, 
        callbacks=[tensorboard_callback])

**打开TensorBoard**

点击顶部的“graph”来选择图形仪表盘。

%tensorboard --logdir logs

### **1.1 op-level 执行**图 ###

默认情况下，TensorBoard显示**op-level**图。（在左侧，可以看到已选择“Default”标签）

请注意，图中的数据是从下到上流动的，因此于代码相比是上到下；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70][]

还可以看到该图与Keras模型定义精密匹配，并具有其他计算节点的额外边缘。

**通过滚动鼠标来放大或缩小；**

**单击左键进行拖拉平移；**

**鼠标移动到节点处，然后双击能看到进一步的结构信息：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1][]

### 1.2 概念图 ###

“概念图”是Keras模型的视图。如果需要重新使用保存的模型，并且想要检查或验证其结构，这比较有用。

选择“keras”标签，来查看概念图。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2][]

双击结点以查看模型的结构：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3][]

### 1.3 完整代码 ###

加载tensorboard

# Load the TensorBoard notebook extension.
    %load_ext tensorboard

删除旧日志（可选）

# Clear any logs from previous runs
    !rm -rf ./logs/

执行如下代码：

from __future__ import absolute_import
    from __future__ import division
    from __future__ import print_function
    
    from datetime import datetime
    from packaging import version
    
    import tensorflow as tf
    from tensorflow import keras
    
    print("TensorFlow version: ", tf.__version__)
    assert version.parse(tf.__version__).release[0] >= 2, \
        "This notebook requires TensorFlow 2.0 or above."
    
    # 定义一个 Keras 模型，在此示例中，分类器是一个简单的四层顺序模型。
    # Define the model.
    model = keras.models.Sequential([
        keras.layers.Flatten(input_shape=(28, 28)),
        keras.layers.Dense(32, activation='relu'),
        keras.layers.Dropout(0.2),
        keras.layers.Dense(10, activation='softmax')
    ])
    
    model.compile(
        optimizer='adam',
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy'])
    
    # 下载并准备训练数据
    (train_images, train_labels), _ = keras.datasets.fashion_mnist.load_data()
    train_images = train_images / 255.0
    
    
    # 训练模型并记录数据
    # Define the Keras TensorBoard callback.
    logdir="logs/fit/" + datetime.now().strftime("%Y%m%d-%H%M%S")
    tensorboard_callback = keras.callbacks.TensorBoard(log_dir=logdir)
    
    # Train the model.
    model.fit(
        train_images,
        train_labels, 
        batch_size=64,
        epochs=5, 
        callbacks=[tensorboard_callback])

启动 TensorBoard，通过点击顶部的 “graph” 来选择图形仪表板。

%tensorboard --logdir logs

参考：[https://colab.research.google.com/github/tensorflow/docs-l10n/blob/master/site/zh-cn/tensorboard/graphs.ipynb\#scrollTo=e25E37vd1xEW][https_colab.research.google.com_github_tensorflow_docs-l10n_blob_master_site_zh-cn_tensorboard_graphs.ipynb_scrollTo_e25E37vd1xEW]

## 二、tf.function 可视化图 ##

**背景**

上面是基于Keras模型的图，其中这些图是用国定义Keras层并调用Model.fit( )创建的。

如果使用tf.function( )函数自定义训练，那如何使用TensorBoard可视化呢？

**实现**

我们可以使用TensorBoard中**TensorFlow Summary Trace API** 记录签名函数进行可视化。

先看一下代码：

# 需要跟踪的函数
    @tf.function
    def my_func(x, y):
      # 一个简单的relu层
      return tf.nn.relu(tf.matmul(x, y))
    
    # 设置日志
    stamp = datetime.now().strftime("%Y%m%d-%H%M%S")
    logdir = 'logs/func/%s' % stamp
    writer = tf.summary.create_file_writer(logdir)
    
    # 函数的示例数据
    x = tf.random.uniform((3, 3))
    y = tf.random.uniform((3, 3))
    
    # 用 tf.summary.trace_on() 和 tf.summary.trace_export() 来记录函数调用
    tf.summary.trace_on(graph=True, profiler=True)
    
    # 跟踪时只调用一个 tf.function
    z = my_func(x, y)
    with writer.as_default():
      tf.summary.trace_export(
          name="my_func_trace",
          step=0,
          profiler_outdir=logdir)

实现流程：

*  使用tf.function 定义训练模型的函数
 *  在tf.function函数调用站点前，使用tf.summary.trace\_on( )，通过传递profiler = True 将配置文件信息（内存、CPU时间等）添加到图中
 *  使用摘要文件编写其，调用tf.summary.trace\_export( )保存日志数据
 *  打开TensorBoard

打开TensorBoard

%tensorboard --logdir logs/func

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4][]

后面的文章后进一步介绍~~

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70]: /images/20221005/bb7ccb83476d4a3eb391aa86fb0a3d39.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1]: /images/20221005/b6e9a888f6e04844ae6b83823c60cd51.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2]: /images/20221005/776af2062893412c90443f480c4004f1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3]: /images/20221005/a30b46005b4f4312ad404c0431db03f7.png
[https_colab.research.google.com_github_tensorflow_docs-l10n_blob_master_site_zh-cn_tensorboard_graphs.ipynb_scrollTo_e25E37vd1xEW]: https://colab.research.google.com/github/tensorflow/docs-l10n/blob/master/site/zh-cn/tensorboard/graphs.ipynb#scrollTo=e25E37vd1xEW
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4]: /images/20221005/d4bf8c295e724497ae455791542a734b.png