DEVOCEAN

안녕하세요 

오늘은 TensorFlow에 기록된 로그를 그래프로 시각화시켜서 보여주는 도구인 Tensorflow에 대하여 알아보겠습니다.

keras를 실행하면서 기록되어지는 로그에 대하여

python으로 그래프를 그리면서 해당 로그와 진행상황에 대하여도 알수 있지만

이를 웹에서 더 깔끔하고 다른 소스를 작성하지 않으면서 볼수 있는 TensorBoard를 이용하면 더욱 좋습니다.

위는 TensorBorad의 실행화면이며, 실행방법은

​tensorboard --logdir=/tmp/sample

위와 같습니다.

Tensorboad의 callback 함수와 인수

keras.callbacks.TensorBoard(log_dir='./logs', histogram_freq=0, batch_size=32, write_graph=True, write_grads=False, write_images=False, embeddings_freq=0, embeddings_layer_names=None, embeddings_metadata=None, embeddings_data=None, update_freq='epoch')

인수

• log_dir: TensorBoard가 구문 분석할 로그 파일을 저장할 위치 경로.
• histogram_freq: 모델의 레이어에 대해 활성화와 가중치 히스토그램을 계산할 (세대 내) 빈도. 0으로 설정되어 있으면 히스토그램을 계산하지 않습니다. 히스토그램 시각화를 하려면 검증 데이터(혹은 데이터 조각)이 특정되어야 합니다.
• write_graph: TensorBoard에서 그래프를 시각화할지 여부. write_graph이 참으로 설정되어 있으면 로그 파일이 상당히 커질 수 있습니다.
• write_grads: TensorBoard에서 경사 히스토그램를 시각화할지 여부. histogram_freq이 0보다 커야 합니다.
• batch_size: 히스토그램 계산 목적으로 네트워크에 전달할 인풋 배치의 크기.
• write_images: TensorBoard에서 이미지로 시각화할 모델 가중치를 작성할지 여부.
• embeddings_freq: 선택된 임베딩 레이어가 저장되는 (세대 내) 빈도. 0으로 설정되어 있으면, 임베딩이 계산되지 않습니다. TensorBoard의 Embedding 탭에서 시각화할 데이터는 embeddings_data로 전달되어야 합니다.
• embeddings_layer_names: 관찰할 레이어 이름의 리스트. None이나 빈 리스트의 경우 모든 임베딩 레이어가 관찰됩니다.
• embeddings_metadata: 레이어 이름을 해당 임베딩 레이어의 메타데이터가 저장되는 파일 이름에 매핑하는 딕셔너리. 모든 임베딩 레이어에 대해서 동일한 메타데이터 파일이 사용되는 경우는 문자열을 전달할 수 있습니다.
• embeddings_data: embeddings_layer_names에 특정되어 레이어에 임베딩할 데이터. Numpy 배열 (모델이 하나의 인풋을 갖는 경우) 혹은 Numpy 배열의 리스트 (모델이 여러 인풋을 갖는 경우). 
• update_freq: 'batch', 'epoch', 혹은 정수. 'batch'를 사용하는 경우 각 배치 이후 손실과 특정항목을 TensorBoard에 기록합니다. 'epoch'의 경우에도 마찬가지입니다. 정수를 사용하는 경우, 예를 들어 10000이라면, 10000 샘플마다 콜백이 측정 항목과 손실을 TensorBoard에 작성합니다. TensorBoard에 너무 자주 기록하면 학습이 느려질 수도 있다는 점을 참고하십시오.