TensorFlow - TensorBoard 視覺化

TensorFlow 包含一個名為 TensorBoard 的視覺化工具。它用於分析資料流圖，也用於理解機器學習模型。TensorBoard 的重要功能包括垂直排列檢視關於引數和任何圖的詳細資訊的不同型別的統計資訊。

深度神經網路包含多達 36,000 個節點。TensorBoard 有助於將這些節點摺疊成高階塊並突出顯示相同的結構。這允許更好地分析圖，重點關注計算圖的主要部分。TensorBoard 視覺化據說非常互動式，使用者可以平移、縮放和展開節點以顯示詳細資訊。

下圖顯示了 TensorBoard 視覺化的完整工作原理：

該演算法將節點摺疊成高階塊，並突出顯示具有相同結構的特定組，這些組將高階節點分開。因此建立的 TensorBoard 非常有用，在調整機器學習模型方面同樣重要。此視覺化工具專為具有摘要資訊和需要顯示的詳細資訊的配置檔案而設計。

讓我們藉助以下程式碼關注 TensorBoard 視覺化的演示示例：

import tensorflow as tf 

# Constants creation for TensorBoard visualization 
a = tf.constant(10,name = "a") 
b = tf.constant(90,name = "b") 
y = tf.Variable(a+b*2,name = 'y') 
model = tf.initialize_all_variables() #Creation of model 

with tf.Session() as session: 
   merged = tf.merge_all_summaries() 
   writer = tf.train.SummaryWriter("/tmp/tensorflowlogs",session.graph) 
   session.run(model) 
   print(session.run(y))

下表顯示了用於節點表示的 TensorBoard 視覺化的各種符號：