谷歌教你學(xué) AI-第五講模型可視化

Google Cloud發(fā)布了名為"AI Adventures"的系列視頻，用簡(jiǎn)單易懂的語(yǔ)言讓初學(xué)者了解機(jī)器學(xué)習(xí)的方方面面。今天讓我們來(lái)看到第五講模型可視化。

觀看更多國(guó)外公開(kāi)課，點(diǎn)擊"閱讀原文"

回顧之前內(nèi)容：

谷歌教你學(xué) AI -第一講機(jī)器學(xué)習(xí)是什么?

谷歌教你學(xué) AI -第二講機(jī)器學(xué)習(xí)的7個(gè)步驟

谷歌教你學(xué) AI -第三講簡(jiǎn)單易懂的估算器

谷歌教你學(xué) AI -第四講部署預(yù)測(cè)模型

附有中文字幕的視頻如下：

AI Adventures--第五講模型可視化

針對(duì)不方便打開(kāi)視頻的小伙伴，CDA字幕組也貼心的整理了文字版本，如下：

在本期的AI Adventures中，讓我們一起了解如何使用TensorBoard進(jìn)行模型可視化以及調(diào)試問(wèn)題！

當(dāng)你知道問(wèn)題所在時(shí)，調(diào)試問(wèn)題就容易得多。 但是隨著在復(fù)雜的模型中輸入訓(xùn)練數(shù)據(jù)，情況則會(huì)變得復(fù)雜起來(lái)。幸運(yùn)的是，TensorBoard讓這變得簡(jiǎn)單。

與傳統(tǒng)編程不同，機(jī)器學(xué)習(xí)中通常有很多難預(yù)測(cè)的因素。數(shù)據(jù)的質(zhì)量，模型的細(xì)微差別，需要選擇的眾多參數(shù)，這些都會(huì)影響到訓(xùn)練過(guò)程的成敗。

如果有辦法能夠在訓(xùn)練過(guò)程中跟蹤這些指標(biāo)，并同時(shí)觀察我們創(chuàng)建的模型結(jié)構(gòu)，那么這將讓我們能夠調(diào)整模型并調(diào)試所看到的問(wèn)題。

如今，這個(gè)抽象過(guò)程可能很難進(jìn)行可視化，但幸運(yùn)的是，TensorFlow有內(nèi)置的解決方案！

TensorBoard

讓我們看到TensorBoard，TensorFlow的內(nèi)置可視化工具，這能讓你完成各種事情，從觀察模型結(jié)構(gòu)到查看培訓(xùn)進(jìn)度等等。

TensorFlow用到了當(dāng)中計(jì)算圖的理念。

這意味著，不是在傳統(tǒng)意義上添加兩個(gè)數(shù)字，而是構(gòu)建一個(gè)添加操作符，并將添加的值一起作為輸入。

所以當(dāng)我們想到用TensorFlow訓(xùn)練模型時(shí)，它實(shí)際上是把所有內(nèi)容作為“圖表”的一部分來(lái)執(zhí)行。 TensorBoard將這些模型可視化，從而你可以看到它們的樣子，更重要的是，確保你已按照自己的需求連接了所有部分。

模型圖可視化

下面是一個(gè)比較復(fù)雜的例子，用TensorFlow把模型圖進(jìn)行可視化。

TensorBoard能讓我們進(jìn)行縮放，平移和展開(kāi)元素從而查看更多細(xì)節(jié)。這意味著我們可以在不同抽象層查看模型，這能減少視覺(jué)的復(fù)雜程度。

但是，TensorBoard不僅僅能夠顯示模型結(jié)構(gòu)。它還可以用圖表很好地繪制指標(biāo)的進(jìn)展。

通常，我們會(huì)繪制正確率，損失，交叉熵等等。 取決不同模型，重要的指標(biāo)也不同。TensorFlow的估算器中有很多預(yù)先配置在TensorBoard中的值，所以這是一個(gè)不錯(cuò)的開(kāi)始。

TensorBoard可以顯示各種信息，包括直方圖、分布、嵌入。以及模型中的音頻，圖片和文本數(shù)據(jù)等。這些將在之后的視頻中講到。

線(xiàn)性模型

我們看到下一個(gè)例子，在TensorBoard中用到我們一直在使用的線(xiàn)性模型。 首先我們啟動(dòng)TensorBoard，并指向保存了模型結(jié)構(gòu)和檢查點(diǎn)文件的目錄，接著運(yùn)行：

tensorboard --logdir=”/tmp/iris_model/”

這將在端口6006啟動(dòng)本地服務(wù)器。是的，這拼寫(xiě)為GOOG(即谷歌)。轉(zhuǎn)到本地主機(jī)：6006，接著看到本地機(jī)器上的TensorBoard。

我們可以看到一些標(biāo)量指標(biāo)是默認(rèn)提供的，以及線(xiàn)性分類(lèi)器。 我們也可以展開(kāi)和放大任意圖表。

可以通過(guò)雙擊縮小。 你可以看到我們的訓(xùn)練進(jìn)展得很好，損失在隨著時(shí)間減少。 還可以確定的是，訓(xùn)練還沒(méi)有完成，因?yàn)榧皶r(shí)在訓(xùn)練尾聲，損失仍然按一定速度下降。這也提示我們，也許要加長(zhǎng)訓(xùn)練過(guò)程，從而充分利用該模型。

圖表標(biāo)簽

現(xiàn)在讓我們看到圖表標(biāo)簽。 注意，表面上的圖表非常簡(jiǎn)單。

我們可以通過(guò)單擊加號(hào)展開(kāi)每個(gè)塊，從而查看更多信息。 例如，如果展開(kāi)“線(xiàn)性”塊，我們會(huì)看到它由多個(gè)子組件組成。 我們可以通過(guò)放大和縮小，點(diǎn)擊并拖動(dòng)來(lái)進(jìn)行平移。

還要注意，我們給特征列命名為“flower_features”顯示為命名的圖表組件。

這可以幫助調(diào)試和識(shí)別圖表的連接方式。 TensorFlow的大部分操作都可以命名，因此這是辨明模型的的好方法。

本期我們了解到，將模型和重要的訓(xùn)練指標(biāo)進(jìn)行可視化，機(jī)器學(xué)習(xí)會(huì)變得更輕松、更有趣。

TensorBoard就能讓你輕松做到這點(diǎn)，更好的是它就內(nèi)置于TensorFlow當(dāng)中。

下次當(dāng)你需要對(duì)機(jī)器學(xué)習(xí)進(jìn)行可視化，可以試著用用TensorBoard，揭示背后的原理。