مدل یادگیری ماشین خود را با APIهای جدید TensorBoard بصری سازی کنید.

هنگامی که TensorFlow را در سال ۲۰۱۵ ارائه شد ، TensorBoard ، مجموعه ای از نمادها برای بررسی و درک و بصری سازی مدل های TensorFlow ارائه شدند. تنسوربورد شامل یک مجموعه کوچک از المان های تصویری است که معمول هستند و قابل اجرا و پیاده سازی بر روی تقریبا تمام برنامه های یادگیری عمیق اند مانند مشاهده چگونگی تغییر تابع خطا در طول زمان و یا کاوش در خوشه‌ها در فضاهای با ابعاد بزرگ .است با این حال، با وجود API های قابل استفاده ، اضافه کردن جلوه های جدید به TensorBoard برای هر کسی  خارج از تیم TensorFlow  دشوار بود، و در نهایت از دیدگاه بالقوه خلاق، زیبا و مفیدی که می تواند توسط جامعه تحقیقاتی ساخته شود بی بهره می ماند.

برای فراهم اوردن امکان ایجاد جلوه های جدید و مفید، Google  اعلام کرد که مجموعه ای از API های سازگار را ارائه می دهد که به توسعه دهندگان اجازه می دهد پلاگین های بصری سازی( visualization) را به TensorBoard اضافه کنند. گوگل  امیدوار است که توسعه دهندگان از این API برای گسترش TensorBoard استفاده کنند و اطمینان حاصل شود که انواع مختلفی از موارد استفاده را پوشش می دهند.

داشبورد های موجود (زبانه ها) در TensorBoard به منظور استفاده از API جدید به روز شده اند،  به عنوان مثال برای سازندگان پلاگین استفاده می شود. برای  اطلاع از فهرست فعلی افزونه های موجود در TensorBoard، می توانید به پوشه tensorboard / plugins  در GitHub مراجعه کنید . به عنوان مثال، پلاگین جدیدی که نمودارهای بازخوانی (Recall) را  ایجاد می کند در تصویر نشان داده شده است:

TensorFlow board

این پلاگین ۳ قسمت استاندارد TensorBoard را نشان می دهد:

  • بخش خلاصه سازی عملیات های  TensorFlow که برای جمع آوری داده ها برای بصری سازی های  بعدی استفاده می شود. [ GitHub ]
  • یک کد پایتون که داده های سفارشی را ارائه می دهد. [GitHub]
  • داشبوردی در TensorBoard ساخته شده با TypeScript  و پلیمر [GitHub]

افزون بر این، پلاگین‌های دیگر، مانند افزونه pr_curves یک نسخه ی نمایشی را فراهم می کند که  کاربران می توانند یاد بگیرند که چگونه از افزونه استفاده کنند و  همچنین نویسنده افزونه  نیز می تواند برای تولید اطلاعات نمونه در طول توسعه از آن استفاده کند. همچنین برای روشن تر شدن اینکه چگونه افزونه ها کار می کنند،  گوگل یک پلاگین TensorBoard “Greeter” ایجاد کرده است.

مثال قابل توجه از نحوه استفاده کاربران از APIهای  TensorBoard در حال حاضر،Beholder است که اخیرا توسط کریس اندرسون ایجاد شده است. Beholder یک ویدئوی زنده از عملیات داده ها (مثلا  گرادیان ها و فیلترهای کانولوشنی) را به صورت یک توالی در مدل نشان می دهد.

تتنسوربورد

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *