5-2　TensorBoard

TensorBoard是一种可视化的诊断工具，功能非常强大，可以显示模型结构、训练过程，显示包括图片、文字和音频数据。在训练的过程中启动TensorBoard，能够实时观看训练过程。TensorBoard虽是Tensorflow团队开发的，但PyTorch也极力推荐使用，因此，若未安装Tensorflow，可独立安装TensorBoard，指令如下：

pip install tensorboard

5-2-1　TensorBoard功能

TensorBoard包含下列功能。

（1）追踪损失和准确率等效能衡量指标(Metrics)，并以可视化呈现。

（2）显示运算图(Computational Graph)：包括张量运算(tensor operation)和神经层(layers)。

（3）直方图(Histogram)：显示训练过程中的权重(weights)、偏差(bias)的概率分配。

（4）词嵌入(Word Embedding)展示：把词嵌入向量降维，投影到三维空间来显示。画面右边可输入任意单词，例如King，就会出现下图，将与其相近的单词显示出来，原理是通过词向量(Word2Vec)将每个单词转为向量，再利用Cosine_Similarity计算相似性，详情会在后续章节介绍。

（5）显示图片、文字和音频数据。

5-2-2　测试

首先在程序中必须将信息写入工作记录文件(Log)，之后，可以启动TensorBoard观看工作记录文件(Log)，我们直接以范例展示。

范例1.先介绍写入工作记录文件的API，包括影像、语音均可写入，甚至嵌入(Embedding)向量(后续章节说明)。

下列程序代码请参考【05_04_TensorBoard.ipynb】。

（1）载入套件。

（2）使用内建数据集FashionMNIST，建立transform、trainset、trainloader，设定批量=4。

（3）设定log目录，开启log文件。

（4）写入图片。

（5）这时可先启动TensorBoard，观看执行结果。单击“IMAGES”标签，如果没有出现标签，可至下拉式菜单单击，出现4张图像。

启动TensorBoard：需指定Log目录，如下。

tensorboard --logdir=runs

也可以在Jupyter Notebook启动：先加载TensorBoard notebook扩充程序(Extension)，即可在Jupyter notebook启动TensorBoard。

%load_ext tensorboard

%tensorboard --logdir=runs

启动后即可使用网页浏览器观看：http://localhost:6006/。

（6）语音也可以写入Log，要注意下列事项：

需另外安装套件，以支持语音处理，Windows操作系统要安装PySoundFile，Linux操作系统则要安装sox。

使用DataLoader，要读取一批多笔语音数据时，要注意每一笔数据要等长，否则next指令会出错，故常设定batch_size=1。

语音写入Log，要加参数采样率(sample_rate)，否则播放会变异音：writer.add_audio('audio', waveform, sample_rate=sample_rate)。

（7）下载语音数据集：multiprocessing.Process可平行下载yes/no内建数据集。

（8）语音写入Log：含播放语音。

（9）使用TensorBoard，单击“GRAPHS”标签，观看执行结果，可单击“Play”(三角形符号)播放语音，每个文件有8个音频。

（10）若使用DataLoader将语音写入Log，程序代码如下。

（11）将语音写入Log：注意需加[0]，因next()回传的是数组。

（12）模型也可以写入Log：先建立模型。

（13）写入模型：第一个参数为模型对象，第二个参数为模型输入。

（14）使用TensorBoard，单击“GRAPHS”标签，观看执行结果。

双击(Double click) Net方块，可看到详细模型结构。

双击(Double click) input/output方块，可看到输入/输出规格。

（15）显示嵌入向量投影机(Projector)：将影像转换为向量，连同类别名称一并写入Log。不过，指令writer.add_embedding会发生错误，需先用下列指令修正。

（16）随机抽样100笔数据，转为二维向量，写入Log。

单击“PROJECTOR”标签，观看执行结果：可看到相同类别的影像会聚集在一起。

（17）最后记得将缓冲区清空，并关闭Log。

范例2.记录训练过程的损失：以MNIST辨识作测试，前面加载数据与建立模型程序代码的流程不变，在训练时将步骤序号及损失写入Log。以下仅列出关键的程序代码。

下列程序代码请参考【05_06_手写阿拉伯数字辨识_TensorBoard.ipynb】。

（1）训练时将步骤序号( n )及损失(loss)写入Log。writer.add_scalar可写入单一变数，第一个参数为变量名称，第二个参数为变数值。

（2）启动TensorBoard：tensorboard --logdir=runs_2。

（3）启动后即可单击“SCALARS”标签，使用网页浏览器观看：http://localhost:6006/。

TensorBoard随着时间增加的功能越来越多，以上我们只做了很简单的试验，如果需要更详细的信息，可以参阅TensorBoard官网的指南 ^[7] 。

TensorFlow与TensorBoard完全整合，不过PyTorch并没有提供所有的功能。 qgfmXgSWgH/CHqo6ZtXHrAfFn7g2Q6SZtDcWFu57xmVXsL5bgThk3h0hnlAZ/Kyd