Kaggle上使用Tensorboard
Kaggle上使用Tensorboard1. 前言
[*]想在Kaggle上使用Tensorboard，找了一圈。
[*]参考了Kaggle上的一个Code：Tensorboard on Kaggle
[*]但发现有些变化，Code中用到的内网穿透工具Ngrok需要加一个Token，所以需要注册一个Ngrok账号，免费获取一个通道的Token。
2. Kaggle上使用Tensorboard
2.1. 方法一
[*]其实直接把在Kaggle上跑出来的Tensorboard日志文件下载到本地，在本地启动Tensorboard即可查看。
[*]当然，这里主要讲在线的方法。
2.2. 方法二
[*]在线使用Tensorboard
2.2.1. 获取一个Ngrok的免费通道
[*]访问Ngrok，注册一个账号并登录
[*]登录后界面如下，复制并保存你的Token
2.2.2. 调试运行代码
[*]主要参考Kaggle上的一个Code：Tensorboard on Kaggle
[*]建议分段运行，以避免中间出错，全部重新运行一次
[*]以下代码在Kaggle的Notebook中运行
(1) 环境准备
import tensorflow as tf # This is how we import tf# Clear any logs from previous runs
# 清除以前运行的所有日志
!rm -rf ./logs/
!mkdir ./logs/(2) 启动Tensorboard
# Download Ngrok to tunnel the tensorboard port to an external port
# 下载 Ngrok 以将 tensorboard 端口隧道传输到外部端口
!wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip
!unzip ngrok-stable-linux-amd64.zip# 添加自己在 Ngrok 上获取的专属Token
!./ngrok authtoken 粘贴你的专属Token
[*]注意这一步需要添加自己在 Ngrok 上获取的专属Token
# Run tensorboard as well as Ngrok (for tunneling as non-blocking processes)
# 运行 tensorboard 和 Ngrok（用于作为非阻塞进程的隧道）
import os
import multiprocessing
pool = multiprocessing.Pool(processes = 10)
# --logdir ./logs/ 是 TensorBoard 的日志文件（log）路径
# 你可以修改为你训练时的log保存路径(可以用绝对/相对路径)，但相关的代码路径也要记得修改
results_of_processes = [pool.apply_async(os.system, args=(cmd, ), callback = None )
for cmd in [
f"tensorboard --logdir ./logs/ --host 0.0.0.0 --port 6006 &",
"./ngrok http 6006 &"
]]
[*]获取访问 Tensorload 的URL，访问生成的URL即可看到 Tensorload 界面
[*]但还没有产生日志文件，所以现在还看不到有图形
! curl -s http://localhost:4040/api/tunnels | python3 -c \
"import sys, json; print(json.load(sys.stdin)['tunnels']['public_url'])"
(3) 创建和训练模型
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
def create_model():
return tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])import datetime
model = create_model()
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)
model.fit(x=x_train,
y=y_train,
epochs=10,
validation_data=(x_test, y_test),
callbacks=)
[*]产生日志文件后，就可以在打开的 Tensorboard 界面点击刷新，看到实时训练趋势了
<blockquote>
到底了
来源:https://www.cnblogs.com/jhy-ColdMoon/p/17341992.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！
页:
[1]