tensorboard

TensorBoard to toolkit do wizualizacji i analizy modeli uczenia maszynowego. Śledź metryki treningu w czasie rzeczywistym, porównuj wyniki eksperymentów, analizuj histogramy wag i aktywacji, wizualizuj architekturę modelu oraz identyfikuj wąskie gardła wydajności. Narzędzie wspiera PyTorch i TensorFlow, oferując interfejs webowy dostępny na localhost:6006.

1. Zainstaluj TensorBoard poleceniem pip install tensorboard. Jeśli pracujesz z PyTorch, zainstaluj również torch i torchvision. Dla TensorFlow wystarczy pip install tensorflow, ponieważ TensorBoard jest już w pakiecie.

2. W kodzie treningowym zaimportuj SummaryWriter z biblioteki torch.utils.tensorboard (PyTorch) lub skonfiguruj callback TensorBoard w Keras (TensorFlow).

3. Podczas treningu loguj metryki za pomocą writer.add_scalar() dla wartości skalarnych (strata, dokładność) lub writer.add_histogram() dla rozkładów wag. Określ ścieżkę do katalogu logów, np. 'runs/experiment_1'.

4. Po zakończeniu treningu zamknij writer poleceniem writer.close().

5. Uruchom TensorBoard z linii poleceń: tensorboard --logdir=runs, gdzie 'runs' to katalog zawierający logi. Narzędzie uruchomi się na http://localhost:6006.

6. Otwórz przeglądarkę i przejdź na wskazany adres. Przejrzyj wykresy metryk, porównaj eksperymenty, analizuj histogramy i wizualizacje modelu.