TensorFlow - TensorBoard Visualization

O TensorFlow inclui uma ferramenta de visualização, chamada TensorBoard. É usado para analisar o gráfico de fluxo de dados e também para entender modelos de aprendizado de máquina. O recurso importante do TensorBoard inclui uma visualização de diferentes tipos de estatísticas sobre os parâmetros e detalhes de qualquer gráfico em alinhamento vertical.

A rede neural profunda inclui até 36.000 nós. O TensorBoard ajuda a recolher esses nós em blocos de alto nível e destacar as estruturas idênticas. Isso permite uma melhor análise do gráfico com foco nas seções primárias do gráfico de computação. A visualização do TensorBoard é considerada muito interativa, em que um usuário pode aplicar panorâmica, zoom e expandir os nós para exibir os detalhes.

A representação do diagrama esquemático a seguir mostra o funcionamento completo da visualização do TensorBoard -

Os algoritmos reduzem os nós em blocos de alto nível e destacam os grupos específicos com estruturas idênticas, que separam os nós de alto grau. O TensorBoard assim criado é útil e tratado de forma igualmente importante para ajustar um modelo de aprendizado de máquina. Esta ferramenta de visualização é projetada para o arquivo de log de configuração com informações resumidas e detalhes que precisam ser exibidos.

Vamos nos concentrar no exemplo de demonstração da visualização do TensorBoard com a ajuda do seguinte código -

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))

A tabela a seguir mostra os vários símbolos de visualização do TensorBoard usados ​​para a representação do nó -