帶你走入AI世界，TensorBoard手把手教學

Tensorboard 畫面：取自 Tensorflow 官網

在 AI 領域中若要獲得表現不錯的模型是需要花費一番心力，需經過反覆的訓練、評估每次訓練完成的模型相關性指標是關鍵所在，但模型的組成相當複雜，對於模型的洞察、除錯、超參數調整將影響的模型的哪些指標是不容易的。 TensorBoard 是一個專用來呈現 AI 模型與資料的視覺化工具，其支援多種 AI Framework、多種模型格式，只要遵循 TensorBoard 格式，就能讓程式設計者更容易掌握複雜的模型與資料。

為何需要 TensorBoard？

優點：

追蹤損失函數與準確率等指標，以視覺化的方式呈現。
提供權重、偏差值 (bias)或其他張量隨時間變化之直方圖。
支援多種 AI Framework、模型格式。
視覺化呈現模型網路架構，能更快檢視複雜網路架構。

要如何將模型相關指標導向 TensorBoard 呈現？

要如何在 TensorBoard上觀察資料與相關指標，在接下來內容中有簡單說明與範例。

以 TensorFlow 程式為例，其中 tf.summary 函式是將要觀察的模型或資料以事件檔案（events files）的方式輸出，讓 TensorBoard 從這些事件檔案取得資料，進而繪製各種圖表。

在 tf.summary 提供一系列的函式，最終目的是能輸出多種型態指標。接下來將以 Mnist 手寫辨識數字作為範例，若想觀察模型中的訓練指標學習率(Learning rate)，可以利用 tf.summary.scalar 輸出：

# 輸出訓練階段之學習率
tf.summary.scalar('my learning rate', my_learning_rate)
# 輸出準確率
tf.summary.scalar('accuracy', accuracy)

範例程式(官方)

執行 Mnist 官方範例程式就能得到模型訓練階段與測試階段的精準度、模型相關性指標，這些資訊將預設存放於 /tmp/tensorflow/mnist 目錄中，即可透過 TensorBoard 呈現這些指標。

執行方式：

python mnist_with_summaries.py

在 AI Console 上如何開啟 TensorBoard？

在以上範例中，以 Tensorflow 完成模型訓練後，就能開啟 TensorBoard 服務觀察模型中各種數據、指標，執行方式為：

tensorboard --logdir=/tmp/tensorflow/mnist

執行 TensorBoard 之後，預設會在本機的 6006 連接埠開啟一個網頁伺服器，但 AI Console 很貼心的在 Tensorflow 應用程式中，已加入 TensorBoard 的 Endpoint，啟動 TensorBoard 後，到 AI Console 畫面點擊對應的 EndPoint即可看到 TensorBoard 畫面。