政安晨：示例演绎TensorFlow的官方指南（三）{快速使用数据可视化工具TensorBoard}

已于 2024-03-29 17:22:18 修改
阅读量1.3k 收藏 21
点赞数 19
CC 4.0 BY-SA版权
分类专栏： TensorFlow与Keras机器学习实战 文章标签： 机器学习 tensorflow 信息可视化 TensorBoard Keras TensorBoard.dev
于 2024-02-09 18:36:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/snowdenkeke/article/details/136087427
本文详细介绍了如何使用TensorFlow的数据可视化工具TensorBoard，包括通过Keras Model.fit()和直接使用tf.summary进行训练日志记录，并展示了如何在TensorBoard.dev上托管和分享实验结果。通过实例演示了TensorBoard的标量、计算图、直方图等信息中心的使用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

准备环境

开始使用

通过 Keras Model.fit() 使用 TensorBoard

通过其他方法使用 TensorBoard

TensorBoard.dev：托管并共享您的机器学习实验结果

政安晨的个人主页：政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: TensorFlow与Keras机器学习实战

希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！

这篇文章里咱们演绎TensorFLow的数据可视化工具：TensorBoard。

在机器学习中，要改进模型的某些参数，您通常需要对其进行衡量。TensorBoard 是用于提供机器学习工作流期间所需测量和呈现的工具。它使您能够跟踪实验指标（例如损失和准确率），呈现模型计算图，将嵌入向量投影到较低维度的空间等。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
政安晨：示例演绎TensorFlow的官方指南（二）{Estimator}
政安晨——致力于AI人工智能数字互动领域
02-07 1293
TensorFlow的Estimator API是一种高级的机器学习API，用于简化模型的训练、评估和推理过程。它提供了一种更加高层次的抽象，使开发者能够更加专注于模型的架构和数据流水线的设计，而不需要太多地关注底层的实现细节。
政安晨：示例演绎TensorFlow的官方指南（一）{基础知识}
政安晨——致力于AI人工智能数字互动领域
02-07 1557
既然有了官方指南，咱们在官方指南上看看就可以了，为什么还要写示例演绎的文章呢？ 其实对于初步了解TensorFlow的小伙伴们而言，示例演绎才是最重要的。 官方文档已经假定了您已经具备了相当合适的基础知识以及工作/学习环境，而这两点恰恰是很多小伙伴们的差异所在。 由此，老晨对官方文档的演绎不会只停留在单一维度上，在帮助大家踩坑的同时，也让大家看到直观地执行，希望这些文章成为大家的蹋脚石，让小伙伴们踩着我的理解继续前进！呵呵。好，咱们开始！
政安晨：示例演绎Python的布尔值和条件语句
政安晨——致力于AI人工智能数字互动领域
02-04 890
使用布尔值进行分支逻辑，是Python语言开发的必要方式。
政安晨：示例演绎Python的函数与获取帮助的方法
政安晨——致力于AI人工智能数字互动领域
02-04 1180
调用函数和定义我们自己的函数，并使用Python内置的文档，是成为一位Pythoner的开始。 通过我的上篇文章，相信您已经看过并使用了print和abs等函数。但是Python还有许多其他函数，并且定义自己的函数是Python编程的重要部分。 在本篇中，你将学习更多关于使用和定义函数的知识。
政安晨：【Keras机器学习示例演绎】（十九）—— 可视化网络学习内容
政安晨——致力于AI人工智能数字互动领域
04-27 284
本文目标：显示 convnet 过滤器响应的视觉模式。 在本示例中，我们将研究图像分类模型能学习到哪些视觉模式。我们将使用在 ImageNet 数据集上训练的 ResNet50V2 模型。 我们的过程很简单：我们将创建输入图像，最大限度地激活目标层。 （选在模型中间的某个位置：层 conv3_block4_out）中的特定滤波器。这些图像代表了过滤器响应模式的可视化。
政安晨：专栏目录【TensorFlow与Keras】【机器学习/深度学习/神经网络/实例实战】
政安晨——致力于AI人工智能数字互动领域
03-25 2346
本文篇是作者政安晨的专栏《TensorFlow与Keras实战演绎机器学习》的总纲，专栏文章不断更新，这篇总纲也会随着专栏不断更新。 TensorFlow给自己的定位是端到端机器学习平台，是一个开源的机器学习框架，用于构建和训练各种机器学习模型。 Keras给自己的定位是一个用 Python 编写的高级神经网络 API，是一个开源的高级神经网络库，用于构建和训练深度学习模型。
政安晨：示例演绎Python语言的字符串与字典
政安晨——致力于AI人工智能数字互动领域
02-05 822
使用字符串和字典，这两种是Python的基本数据类型。 Python语言真正闪耀的一个领域是字符串的操作。 本节将涵盖一些Python内置的字符串方法和格式化操作。在数据科学工作的背景下，这样的字符串操作模式经常出现。 字典是Python中的一种内置数据结构，用于将键映射到值。
政安晨：【Keras机器学习示例演绎】（五十三）—— 使用 TensorFlow 决策森林进行分类
政安晨——致力于AI人工智能数字互动领域
07-09 976
TensorFlow 决策森林（TensorFlow Decision Forests）是与 Keras API 兼容的决策森林模型的最新算法集合。 这些模型包括随机森林（Random Forests）、梯度提升树（Gradient Boosted Trees）和 CART，可用于回归、分类和排序任务。
政安晨——示例演绎在TensorFlow中使用 CSV数据（基于Colab的Jupyter笔记）（1.5万字长文超详细）
政安晨——致力于AI人工智能数字互动领域
02-03 2499
本笔记提供了如何在 TensorFlow 中使用 CSV 数据的示例：用 tf.data 加载 CSV 数据。 其中包括两个主要部分： 从磁盘加载数据 将数据预处理为适合训练的形式。 本笔记侧重于加载，并提供了一些关于预处理的快速示例。
政安晨：【Keras机器学习实践要点】（十一）—— 编写自己的回调
政安晨——致力于AI人工智能数字互动领域
03-31 1354
本文是编写新 Keras 回调的完整指南。 回调是在训练、评估或推理过程中自定义 Keras 模型行为的强大工具。 在本文中，您将了解什么是 Keras 回调、它能做什么以及如何构建自己的回调。 我们将提供一些简单的回调应用演示，帮助您快速入门。
线性回归笔记
2402_88703635的博客
08-22 899
线性回归是一种基于最小二乘法的预测建模技术，通过构建自变量与因变量的线性关系进行预测。文章介绍了线性回归的核心思想、一般形式、评估指标（SSE、MSE、R²）和参数估计方法，重点阐述了多元线性回归与简单线性回归的区别与联系。线性回归具有解释性强、计算高效的优点，广泛应用于房地产定价、医学研究和市场营销等领域。最后说明了sklearn库中线性回归算法的实现方法及其参数作用。
PyTorch 机器学习基础（机器学习一般流程）
最新发布
钢铁男儿
08-26 153
机器学习一般需要先定义问题、收集数据、探索数据、预处理数据，对数据处理后，接下来开始训练模型、评估模型，然后优化模型等步骤，图5-3为机器学习一般流程图。通过这个图形可直观地了解机器学习的一般步骤或整体框架，接下来就对各部分分别加以说明。
【机器学习基础】朴素贝叶斯算法详解：从原理到实战
2201_75691511的博客
08-25 591
贝叶斯方法源于18世纪英国数学家托马斯·贝叶斯（Thomas Bayes）提出的“逆概率”问题。其核心思想是通过观测数据来更新对某个假设的信念。朴素贝叶斯是一种简单高效、适合高维数据的分类算法。其“条件独立”假设在现实中往往不成立，但在文本分类等领域表现优异。根据特征类型选择不同的贝叶斯变体（多项式、高斯、伯努利）是关键。
机器学习-大语言模型Finetuning vs. Prompting
JXL1860的博客
08-25 965
通才”不是指Prompt把模型变成了通才，而是指模型本身已经被训练成了一个“通才”。它在海量数据中学习了语言、逻辑、知识和多种技能的潜在模式。Prompt的作用是“激活”和“引导”。它像一个开关或一个指令，告诉这个强大的通才模型：“嘿，现在请启动你的‘翻译’技能”或者“现在请启动你的‘创意写作’技能”。
机器学习--朴素贝叶斯
JYB0918的博客
08-25 539
本文记录了机器学习中朴素贝叶斯算法的学习过程，从基础的贝叶斯思想切入，通过 “摸球”“校园性别与着装” 等案例，清晰拆解正向概率与逆向概率的区别，推导贝叶斯公式核心逻辑 —— 用先验概率、似然概率结合观测信息计算后验概率。进而讲解朴素贝叶斯的 “朴素假设”（特征独立），并结合拼写纠正（如判断 “tlp” 应为 “top” 还是 “tip”）、垃圾邮件分类（通过邮件单词判断是否为垃圾邮件）两个实例，说明其实际应用原理。还介绍了适配不同数据类型的三种朴素贝叶斯模型（多项式、高斯、伯努利）的适用场景与关键参数。
机器学习自学笔记（3）NumPy在机器学习中的应用详解
liululun的博客
08-22 365
数据预处理：标准化和归一化确保特征在相同尺度上损失函数：提供高效的向量化计算梯度计算：支持自动微分和数值微分优化算法：实现各种梯度下降变体这些基础操作构成了现代机器学习框架的核心，理解它们有助于深入掌握机器学习算法的本质。
8.25 朴素贝叶斯
2301_82188844的博客
08-25 304
预测时使用测试集特征（X_test）进行推理，输出各分类的概率值，可选择是否对概率取对数（log）以简化计算，通过 score 方法可获取模型评分（如查准率、查全率等），用于评估模型性能。P(xi|C)= (count(xi,C)+1) / (count(C)+|V|)，|V| 为特征取值数或词典大小。实际代码里用 log 化乘法为加法，防止下溢：score(C)=log P(C)+Σi log P(xi|C)。似然：P(xi|C)= 类别 C 中特征 xi 出现的次数 / 类别 C 的总特征计数。
机器学习的四大基本任务：从监督学习到强化学习的全面解析
钢铁男儿
08-25 605
机器学习的四大任务——监督、无监督、半监督和强化学习，构成了现代人工智能技术的基石。它们各具特色，适用于不同的问题场景，也正在不断融合创新。未来，随着多模态数据（文本、图像、语音、视频）的爆炸式增长，单一学习方式已难以满足复杂任务的需求。如何将多种学习策略有机结合、构建通用人工智能（AGI），将成为学术界和产业界共同探索的方向。如果你正准备踏入机器学习的世界，不妨从这四种基本任务入手，建立系统的认知框架，为深入学习打下坚实基础。
【机器学习&深度学习】自然语言与多模态大模型
qq_62223405的博客
08-23 774
▲自然语言大模型：专注于理解和生成文本，擅长处理与语言相关的任务； ▲多模态大模型：能同时理解和生成文字、语音、图像、视频等多种数据形态，实现更接近人类感知的智能；
政安晨机器学习入门：Python与Pandas数据包下载指南
资源摘要信息:"《政安晨：机器学习快速入门（一）基于Python与Pandas》的示例数据包是为了辅助读者在学习机器学习基础概念和技巧时，通过实际操作和分析数据来加深理解。文章本身作为入门指南，强调了Python作为编程...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

政安晨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值