关于 python：TensorBoard 记录与训练分开的统计数据

TensorBoard recording stats separate from training

我正在尝试使用 TensorBoard 来显示一些神经网络训练运行的图表。 (也就是说，训练期间的测试和验证准确度图，而不仅仅是网络结构。)有一些示例代码

以及本网站上的一些问题，所有这些似乎都遵循与示例代码相同的模式。也就是说，模式总是围绕着类似

1	summary, _ = sess.run([merged, train_step], …

所以基本上，运行训练步骤和记录统计数据以显示图表的操作被混为一谈。

就目前而言，这很好，但我正在尝试将图表改进为现有程序，该程序不可避免地会以稍微不同的方式做事，因此示例代码不会按原样工作。我真正想做的是隔离一些只记录统计信息的代码，与现有代码分开来进行训练。

如何在主训练循环中记录 TensorBoard 的统计数据，但与进行训练的代码分开？

您可以手动创建存储标量值的 tf.Summary 对象并将其传递给 tf.summary.FileWriter，如下例所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

summary_writer = tf.summary.FileWriter("path_to_log_dir")
# …
for i in range(max_training_steps):
# compute the values of interest
scalar_value_1 = …
# …
scalar_value_n = …

# manually create tf.Summary object
summary = tf.Summary(
value=[tf.Summary.Value(tag="Metrics_1", simple_value=scalar_value_1),
# …
tf.Summary.Value(tag="Metrics_n", simple_value=scalar_value_n)])
summary_writer.add_summary(summary, i)
# …
summary_writer.close()

或者，您可以使用 tf.placeholder 作为张量来定义 tf.summary.scalar() 操作，并在运行时提供实际值：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

scalar_pl_1 = tf.placeholder(tf.float32)
tf.summary.scalar("Metrics_1", scalar_pl_1)
# …
scalar_pl_n = tf.placeholder(tf.float32)
tf.summary.scalar("Metrics_n", scalar_pl_n)

# Merge all summaries
merged = tf.summary.merge_all()

summary_writer = tf.summary.FileWriter("path_to_log_dir")

with tf.Session() as sess:
for i in range(max_training_steps):
# compute scalar values of interest
scalar_value_1 = …
scalar_value_n = …

feed_dict = {scalar_pl_1: scalar_value_1, scalar_pl_n: scalar_value_n}
summary = sess.run(merged, feed_dict=feed_dict)
summary_writer.add_summary(summary, i)
# …
summary_writer.close()

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/267929.html

关于 python：TensorBoard 记录与训练分开的统计数据

TensorBoard recording stats separate from training

相关推荐

发表回复