Tensorboard는 모델을 이해하고 디버깅하고 최적화하기 위해 그래프 및 기타 도구를 시각화하는 데 사용되는 인터페이스입니다. 예제에서 가중치가 어떻게 변경되는지 확인할 수 있습니다. 코드를 보면 잘린_normal_initializer()를 사용하여 가중치를 초기화합니다. 이름에서 알 수 있듯이 이러한 유형의 요약은 텐서를 이미지로 작성하고 시각화하는 데 사용됩니다. 신경망의 경우, 일반적으로 네트워크에 공급되는 이미지(각 배치에서 말)나 출력에서 생성된 이미지(예: 자동 엔코더의 재구성된 이미지 또는 생성기 모델에서 만든 가짜 이미지)를 추적하는 데 사용됩니다. 생성 불리한 네트워크). 그러나 일반적으로 텐서 플롯에 사용할 수 있습니다. 예를 들어 크기 30×40의 가중치 행렬을 30×40 픽셀 이미지로 시각화할 수 있습니다. 아래 그림에서 텐서보드 패널을 볼 수 있습니다. 패널에는 모델을 실행할 때 추가하는 정보 수준에 연결된 다른 탭이 포함되어 있습니다.

MNIST 분류는 가장 간단한 예 중 하나이며 여전히 5계층 신경망으로 해결할 수 없습니다. MNIST의 경우 5년 미만의 경우 90% 이상의 정확도를 달성하는 것이 어렵지 않습니다. 이 섹션에서는 먼저 특정 메트릭(예: 손실 또는 정확도)을 시각화하는 것이 유익한 이유를 이해합니다. 심층 신경망을 훈련할 때 초보자에게 미치는 중요한 문제 중 하나는 다양한 설계 선택과 하이퍼매개 변수의 효과를 이해하지 못하는 것입니다. 대답은 차트의 각 줄이 데이터에 대한 분포에서 백분위수임을 나타낸다는 것입니다. 예를 들어, 하단 라인(매우 가벼운 것)은 시간이 지남에 따라 최소 값이 어떻게 변했는지 를 보여주고 가운데의 선은 중앙값이 어떻게 변경되었는지 보여줍니다. [최대, 93%, 84%, 69%, 50%, 31%, 16%, 7%, 최소] 모델의 문제를 신속하게 감지하는 한 가지 방법은 모델에서 일어나는 일을 실시간으로 그래픽 시각화하는 것입니다.(예: 100회반복마다)를 참조하십시오. 따라서 모델이 이상하게 작동하면 명확하게 표시됩니다. 이것이 바로 텐서보드가 제공하는 것입니다.

표시해야 할 값을 결정할 수 있으며 학습 중에 해당 값의 실시간 시각화를 유지합니다. 이는 텐서보드가 로그 파일을 찾을 수 없음을 의미합니다. CD를 올바른 경로로 가리키거나 로그 이벤트가 생성되었는지 다시 확인합니다. 그렇지 않은 경우 코드를 다시 실행합니다. 이 튜토리얼에서는, 당신은 텐서 보드를 사용하는 방법을 보았다.