447
1、引言
STM32 AFCI 方案 AI 模型中涉及了很多神經(jīng)網(wǎng)絡(luò)參數(shù)，客戶使用自有數(shù)據(jù)進(jìn)行訓(xùn)練優(yōu)化時，需要調(diào)整某些參數(shù)以及度量模型的性能。方案中使用了 mlflow 工具對此進(jìn)行可視化管理，對于熟悉 Tensorflow 的客戶，可能希望使用 TensorBoard 工具。TensorBoard 屬于Tensorflow 組件，是用于機(jī)器學(xué)習(xí)工作流所需測量和呈現(xiàn)的工具。通過在訓(xùn)練時將監(jiān)控?cái)?shù)據(jù)寫入文件系統(tǒng)，利用 GUI 進(jìn)行分析，或利用 Web 服務(wù)監(jiān)控對應(yīng)的文件目錄，進(jìn)而具備遠(yuǎn)程查看監(jiān)控評估數(shù)據(jù)的能力。本文主要關(guān)注 TensorBoard 可視化的模型調(diào)試、優(yōu)化方面的功能，以拋磚引玉，供客戶入門參考。
2、TensorBoard
TensorBoard 是一組用于數(shù)據(jù)可視化的 GUI 工具，包含在開源機(jī)器學(xué)習(xí)庫 Tensorflow中。TensorBoard 的主要功能如下：
- 跟蹤和可視化損失及準(zhǔn)確率等指標(biāo)
- 可視化模型圖（操作和層）
- 查看權(quán)重、偏差或其他張量隨時間變化的直方圖
- 顯示圖片、文字和音頻數(shù)據(jù)
- 剖析 Tensorflow 程序
TensorBoard 雖是 Tensorflow 的一部分，也可以獨(dú)立安裝，并可用于 Pytorch 等其他的框架。其安裝命令如下：
TensorBoard 可以在模型端使用，也可以與 Web 服務(wù)及瀏覽器相互配合，下面將逐步介紹其功能及用法。
2.1. 通過 fit 使用 TensorBoard Callback
STM32 AFCI 模型使用了 Tensorflow Keras's Model.fit 方法進(jìn)行訓(xùn)練，可以直接添加“tf.keras.callback.TensorBoard”回調(diào)函數(shù)，用于創(chuàng)建和存儲日志。TensorBoard 回調(diào)函
數(shù)的原型如下：
tf.keras.callbacks.TensorBoard(
log_dir='logs',
histogram_freq=0,
write_graph=True,
write_images=False,
write_steps_per_second=False,
update_freq='epoch',
profile_batch=0,
embeddings_freq=0,
embeddings_metadata=None,
**kwargs
)
我們以下面例子進(jìn)行說明，下面代碼中“histogram_freq=1”使能了直方圖計(jì)算功能（默認(rèn)情況下是關(guān)閉狀態(tài)）；另外 update_freq 采用了默認(rèn)值'epoch'，該參數(shù)可以采用'batch'，即每個 batch 完成后進(jìn)行度量數(shù)據(jù)的記錄，也可以直接使用數(shù)值，如 100，則表示每 100 個 batch 完成后進(jìn)行度量數(shù)據(jù)的記錄；其它參數(shù)按字面意思理解即可，我們這里使用了默認(rèn)值。
