众所周知tensorflow造势虽大却很难用，因此推荐使用Keras，它缺省是基于tensorflow的，但通过修改keras.json也可以用于theano。但是为了能用tensorflow提供的tensorboard，因此建议仍基于tensorflow。
那么问题来了，由于Keras隐藏了tensorflow那令人诟病、可笑至极的graph构建方法，那么如何使用tensorboard呢？一般网站上会告诉你是这样的：
方法一（标准调用方法）：
采用keras特有的fit()进行训练，只要在fit的时候指定callbacks函数即可，代码如下
from keras.callbacks import TensorBoard from keras.models import Sequential …… model = Sequential() …… tbCallBack = keras.callbacks.TensorBoard(log_dir='./Graph', histogram_freq=1, write_graph=True, write_images=True) model_history = model.fit(X_train_train, y_train_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(X_train_val, y_train_val), callbacks = [EarlyStopping(patience=patience,mode='min',verbose=1), history, tbCallBack])
虽然这种方法看上去很美，但它只适用于标准训练方法，如果你想用自己的训练方法，就需要调用train_on_batch，而不能直接使用fit()，这时就要采用下面这种方法：
方法二（特殊调用方法）：
这种方法可用于调用train_on_batch的情况。
%预先写好writer，定义好model writer = tf.summary.FileWriter(…) model = … %训练时 loss = model.train_on_batch(…) summary = tf.Summary(value=[ tf.Summary.Value(tag=”d_loss”, simple_value=d_loss), tf.Summary.Value(tag=”g_loss”, simple_value=g_loss), ]) writer.add_summary(summary)
虽然很简单，但这种方法只能显示scalar类型，不能显示image,histgram等，非常不实用。真正实用的是下面的终结方法：
方法三（最实用的方法）
最实用的还是用tensorflow原生的调用方法，虽然相对方法二麻烦一点，但考虑到此方法与tensorflow一样，不需要去记那些额外的花拳绣腿，因此反而是最简单的，也是最有效的。
代码如下：
import tensorflow as tf import datetime %在训练开始之前，预先定义好可视化的东西，用的是原生的tensorflow方法，这里我们以一个GAN模型为例，让它显示整张模型图，两个标量损失函数，以及5个生成图像。方法是预先用placeholder声明所要显示的那些东西，然后在训练过程中将训练结果来填充它们。你可以自行加入histgram，都和tensorflow一样 #start tensorboard sess=tf.Session() logdir = “tensorboard/” + datetime.datetime.now().strftime(“%Y%m%d-%H%M%S”) + “/” writer = tf.summary.FileWriter(logdir, sess.graph) D_LOSS = tf.placeholder(tf.float32, []) G_LOSS = tf.placeholder(tf.float32, []) IMAGES = tf.placeholder(tf.float32,shape=[None,28,28,1]) tf.summary.scalar(“D_LOSS”, D_LOSS) tf.summary.scalar(“G_LOSS”, G_LOSS) tf.summary.image(“IMAGES”, IMAGES, 5) merged=tf.summary.merge_all() #end tensorboard
训练迭代过程中，是这样的
for epoch in range(100):
% 用keras的train_on_batch方法进行训练
d_loss = d.train_on_batch(。。。。。。)
g_loss = d_on_g.train_on_batch(。。。。。。)
generated_images = g.predict(。。。。。。)
if index%10==0: #tensorboard
% 将训练结果填充可视化数据
summary=sess.run(merged,feed_dict={D_LOSS:d_loss, G_LOSS:g_loss, IMAGES:generated_images})
writer.add_summary(summary,index)
以上这篇Keras使用tensorboard显示训练过程的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持呐喊教程。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：notice#nhooo.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。