AIA （AI Adventures）系列現(xiàn)在已經(jīng)進入第五期了。前三期分享當(dāng)中，Yufeng 介紹了機器學(xué)習(xí)的核心概念、基本邏輯，也介紹了要進行機器學(xué)習(xí)需要經(jīng)過哪些步驟，并根據(jù)這些基本知識嘗試使用線性評估器 API 打造了鳶尾花分類模型。今天的分享中，他會與我們分享一個非常有力的工具：TensorBoard，讓你能“看穿”模型，監(jiān)測訓(xùn)練過程。

為了更方便 TensorFlow 程序的理解、調(diào)試與優(yōu)化，TensorFlow 團隊發(fā)布了一套名為 TensorBoard 的可視化工具。開發(fā)者們可以用 TensorBoard 來展現(xiàn) TensorFlow 圖，繪制圖像生成的定量指標(biāo)圖以及顯示附加數(shù)據(jù)（如其中傳遞的圖像），請看 Yufeng 為大家?guī)淼姆窒恚?/p>

當(dāng)你能「看清」問題所在時，調(diào)試起來是最簡單的。但是當(dāng)大量的訓(xùn)練數(shù)據(jù)如潮水般涌入復(fù)雜模型的時候，調(diào)試的過程往往會變得無比復(fù)雜。不過別怕，幸虧有 TensorBoard，一切變得簡單起來。

機器學(xué)習(xí)可不像傳統(tǒng)的編程，它往往變幻莫測。模型間的細小差別以及數(shù)據(jù)的質(zhì)量、參數(shù)微調(diào)中的小小改變都可能對最終成功與否造成巨大的影響。

用 TensorBoard 發(fā)現(xiàn)問題所在

只有當(dāng)我們縱覽模型整體結(jié)構(gòu)，并跟蹤某些特征數(shù)據(jù)在整個訓(xùn)練過程當(dāng)中的變化時，才能有效調(diào)校模型并調(diào)試所「看到」的問題。

這一抽象的流程往往難以通過可視化的方式呈現(xiàn)，不過現(xiàn)在 TensorFlow 內(nèi)置了解決方案將會帶來改變。

現(xiàn)在一起來看看內(nèi)置于 TensorFlow 的可視化方案 — TensorBoard，一個讓你更能把控大量操作的工具。不論是觀察模型整體結(jié)構(gòu)還是監(jiān)視整個模型訓(xùn)練過程。

TensorFlow 在內(nèi)部使用了計算機圖形理論的思想。

也就是說，為了取締傳統(tǒng)意義上兩數(shù)相加的思維，TensorFlow 構(gòu)造了新的加法運算，并將之作為參數(shù)傳入，隨后數(shù)值將會被這一運算加在一起。

所以我們回頭思考 TensorFlow 訓(xùn)練過程，其實就是將所有操作當(dāng)成圖的一部分來執(zhí)行的過程。TensorBoard 可以將這些模型可視化，所以你能看到模型抽象出來是什么樣子，更讓你得以檢查是否所有部分都按要求組合在了一起。

下面來個更復(fù)雜點的例子，同樣是用 TensorFlow 將模型可視化的例子。注意看上圖，TensorFlow 讓我們可以縮放、掃視、展開模型的各個元素以得到更多細節(jié)。這就是說，我們可以從不同的抽象層次觀察模型，從而降低了視覺復(fù)雜度。

并且，TensorBoard 除了向我們展示模型的結(jié)構(gòu)，還會將各項特征值的變化很好布局在圖上。我們會將精確度、失真、跨熵等拿來布局觀測，且另一方面，依賴于模型的眾多特征值往往都非常重要。至于 TensorFlow 的預(yù)置發(fā)射器，它們自帶了一套預(yù)設(shè)值用于在 TensorBoard 中使用。這一特性為后續(xù)使用做好了鋪墊。

TensorBoard 除了上述功能，還能展示包括條形圖、分布圖以及諸如聲音、圖像、文字等與模型共生的數(shù)據(jù)等等大量的信息。不過關(guān)于那部分的詳細介紹要等到后面的視頻。

回歸正題，我們來看看之前一直使用的線性模型在 TensorBoard 當(dāng)中的表現(xiàn)。首先需要啟動 TensorBoard 并將之指向目標(biāo)模型層次結(jié)構(gòu)及重要中間文件所在的目錄：

tensorboard --logdir=」/tmp/iris_model/」

此項操作會啟動一個偵聽 6006 端口的本地服務(wù)器。

6006 看起來是不是非常像「GOOG」呢？

我們可以看到一些線性 classifier 默認(rèn)提供的標(biāo)量特征值。稍后可以通過縮放和展開來研究這些圖像。

雙擊能夠回退到更高的縮放級別?？梢姡覀兊哪Ｐ陀?xùn)練隨著時間推移正以逐漸降低的失真井然有序進行。并且我們能清晰看到模型訓(xùn)練尚未完成，原因是當(dāng)前的失真下降率仍然較高。它提示我們，也許應(yīng)當(dāng)再多訓(xùn)練一會兒，進而從訓(xùn)練過程中獲得更多收益。

接下來看看 Graph 小分頁。注意看，此時圖還是非常簡單的。

我們能通過點擊小塊兒上面的加號展開查看更詳細的內(nèi)容。比如，我現(xiàn)在展開了「linear」這個模塊，可以看到它由不少子模塊組成。我們可以通過滾輪來縮放視野，也可以通過點按拖拽來查看其他部分。

注意我們給特征列的名字，比如此處的 flower_features 在圖中以模塊形式呈現(xiàn)。

這種方式將有助于調(diào)試并了解上面展示的圖中各部分是怎樣聯(lián)結(jié)起來的。大多數(shù) TensorFlow 的操作是可以命名的，所以這是一個將模型闡述清楚和觀察當(dāng)前訓(xùn)練進展的好機會。

今天，我們學(xué)到了簡單有趣的機器學(xué)習(xí)模型重要特征值可視化相關(guān)知識。TensorBoard 將讓你輕松體驗到這種樂趣，并且最妙之處是它已經(jīng)完全內(nèi)置在 TensorFlow 當(dāng)中了。

記住下一次你想要把機器學(xué)習(xí)過程可視化時，TensorBoard 是你的不二選擇。