Python tf.compat.v1.keras.callbacks.TensorBoard用法及代码示例

参数

• log_dir 保存要被 TensorBoard 解析的日志文件的目录路径。
• histogram_freq 计算模型层的激活和权重直方图的频率(以时期为单位)。如果设置为 0，则不会计算直方图。必须为直方图可视化指定验证数据(或拆分)。
• write_graph 是否在 TensorBoard 中可视化图形。当 write_graph 设置为 True 时，日志文件可能会变得非常大。
• write_grads 是否在 TensorBoard 中可视化梯度直方图。 histogram_freq 必须大于 0。
• batch_size 输入到网络进行直方图计算的批量输入的大小。
• write_images 是否编写模型权重以在 TensorBoard 中可视化为图像。
• embeddings_freq 保存所选嵌入层的频率(以时期为单位)。如果设置为 0，则不会计算嵌入。要在 TensorBoard 的嵌入选项卡中可视化的数据必须作为 embeddings_data 传递。
• embeddings_layer_names 要关注的图层名称列表。如果 None 或空列表将观察所有嵌入层。
• embeddings_metadata 将图层名称映射到保存此嵌入层元数据的文件名的字典。这里有详细信息关于元数据文件格式。如果所有嵌入层都使用相同的元数据文件，则可以传递字符串。
• embeddings_data 数据嵌入到指定的层embeddings_layer_names. Numpy 数组(如果模型有单个输入)或 Numpy 数组列表(如果模型有多个输入)。了解有关嵌入的更多信息在本指南中.
• update_freq 'batch' 或 'epoch' 或整数。使用 'batch' 时，在每批之后将损失和指标写入 TensorBoard。这同样适用于 'epoch' 。如果使用整数，比如说 1000 ，回调将每 1000 个样本将指标和损失写入 TensorBoard。请注意，过于频繁地写入 TensorBoard 会减慢您的训练速度。
• profile_batch 分析批次以采样计算特征。默认情况下，它将分析第二批。设置 profile_batch=0 以禁用分析。

抛出

• ValueError 如果设置了 histogram_freq 并且未提供验证数据。