這些模型針對特定數(shù)據(jù)集進行了訓(xùn)練，并在準確性和處理速度方面得到了證明。開發(fā)人員需要在部署之前評估 ML 模型并確保其符合預(yù)期的特定閾值和功能。有很多實驗可以提高模型性能，在設(shè)計和訓(xùn)練模型時，可視化差異變得至關(guān)重要。TensorBoard 有助于可視化模型，使分析變得不那么復(fù)雜，因為當人們可以看到問題所在時，調(diào)試變得更容易。

訓(xùn)練 ML 模型的一般做法

一般的做法是使用預(yù)訓(xùn)練的模型并執(zhí)行遷移學(xué)習以針對相似的數(shù)據(jù)集重新訓(xùn)練模型。在遷移學(xué)習期間，首先針對與正在解決的問題相似的問題對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練。然后將訓(xùn)練模型中的一個或多個層用于針對感興趣問題訓(xùn)練的新模型。

大多數(shù)情況下，預(yù)訓(xùn)練模型采用二進制格式，這使得很難獲取內(nèi)部信息并立即開始處理。從組織的業(yè)務(wù)角度來看，擁有一些工具來深入了解模型以縮短項目交付時間是有意義的。

有幾個可用的選項可以獲取模型信息，例如層數(shù)和相關(guān)參數(shù)。模型摘要和模型圖是基本選項。這些選項非常簡單，考慮到幾行實現(xiàn)，并提供了非?；镜募毠?jié)，如層數(shù)、層類型和每層的輸入/輸出。

但是，模型摘要和模型圖對于理解協(xié)議緩沖區(qū)形式的任何大型復(fù)雜模型的每一個細節(jié)并不是那么有效。在這樣的場景下，使用TensorFlow提供的可視化工具TensorBoard就更有意義了?？紤]到它提供的各種可視化選項，例如模型、標量和度量（訓(xùn)練和驗證數(shù)據(jù)）、圖像（來自數(shù)據(jù)集）、超參數(shù)調(diào)整等，它非常強大。

模型圖以可視化自定義模型

當以協(xié)議緩沖區(qū)的形式接收自定義模型時，此選項特別有用，并且需要在對其進行任何修改或訓(xùn)練之前對其進行理解。如下圖所示，在板上可視化了順序 CNN 的概述。每個塊代表一個單獨的層，選擇其中一個將在右上角打開一個窗口，其中包含輸入和輸出信息。

如果需要進一步的信息，關(guān)于各個塊中的內(nèi)容，可以簡單地雙擊塊，這將展開塊并提供更多詳細信息。請注意，一個塊可以包含一個或多個可以逐層擴展的塊。在選擇任何特定操作后，它還將提供有關(guān)相關(guān)處理參數(shù)的更多信息。

用于分析模型訓(xùn)練和驗證的標量和指標

機器學(xué)習的第二個重要方面是分析給定模型的訓(xùn)練和驗證。從準確性和速度的角度來看，性能對于使其適用于現(xiàn)實生活中的實際應(yīng)用非常重要。在下圖中，可以看出模型的準確性隨著 epochs/迭代次數(shù)的增加而提高。如果訓(xùn)練和測試驗證不達標，則表明某些事情不正確。這可能是欠擬合或過擬合的情況，可以通過修改層/參數(shù)或改進數(shù)據(jù)集或兩者兼而有之來糾正。

圖像數(shù)據(jù)以可視化數(shù)據(jù)集中的圖像

顧名思義，它有助于可視化圖像。它不僅限于可視化數(shù)據(jù)集中的圖像，它還以圖像的形式顯示混淆矩陣。該矩陣表示檢測各個類別的對象的準確性。如下圖所示，模特將大衣與套頭衫混淆了。為了克服這種情況，建議改進特定類別的數(shù)據(jù)集，以將可區(qū)分的特征提供給模型，以便更好地學(xué)習并提高準確性。

超參數(shù)調(diào)整以實現(xiàn)所需的模型精度

模型的準確性取決于輸入數(shù)據(jù)集、層數(shù)和相關(guān)參數(shù)。在大多數(shù)情況下，在初始訓(xùn)練期間，準確度永遠不會達到預(yù)期的準確度，除了數(shù)據(jù)集之外，還需要考慮層數(shù)、層類型、相關(guān)參數(shù)。此過程稱為超參數(shù)調(diào)整。

在這個過程中，提供了一系列超參數(shù)供模型選擇，并結(jié)合這些參數(shù)運行模型。每個組合的準確性都記錄在板上并可視化。它糾正了為超參數(shù)的每個可能組合手動訓(xùn)練模型所消耗的精力和時間。

分析模型處理速度的分析工具

除了準確性之外，處理速度對于任何模型來說都是同樣重要的方面。有必要分析各個塊消耗的處理時間，以及是否可以通過一些修改來減少它。Profiling Tool 提供了每個操作在不同時期的時間消耗的圖形表示。通過這種可視化，人們可以很容易地查明需要更多時間的操作。一些已知的開銷可能是調(diào)整輸入的大小、從 Python 轉(zhuǎn)換模型代碼或在 CPU 而非 GPU 中運行代碼。照顧好這些事情將有助于實現(xiàn)最佳性能。

?

總體而言，TensorBoard 是幫助開發(fā)和培訓(xùn)過程的絕佳工具。Scalar and Metrics、Image Data 和 Hyperparameter 調(diào)優(yōu)的數(shù)據(jù)有助于提高準確性，而 profiling 工具有助于提高處理速度。TensorBoard 還有助于減少所涉及的調(diào)試時間，否則這肯定是一個很大的時間框架。

審核編輯：郭婷