Tensorflow张力板不显示acc、loss、acc_val和loss_val仅显示历元精度和历元损失
我希望有一个对应于acc、loss、acc_val和loss_val的TensorBoard显示图,但由于某种原因它们不会出现。这是我看到的 我希望有这个: 我按照指示,能够在谷歌colab笔记本中使用tensorboard 这是用于生成张力板的代码:Tensorflow张力板不显示acc、loss、acc_val和loss_val仅显示历元精度和历元损失,tensorflow,machine-learning,keras,deep-learning,tensorboard,Tensorflow,Machine Learning,Keras,Deep Learning,Tensorboard,我希望有一个对应于acc、loss、acc_val和loss_val的TensorBoard显示图,但由于某种原因它们不会出现。这是我看到的 我希望有这个: 我按照指示,能够在谷歌colab笔记本中使用tensorboard 这是用于生成张力板的代码: opt = tf.keras.optimizers.Adam(lr=0.001, decay=1e-6) tensorboard = TensorBoard(log_dir="logs/{}".format(NAME),
opt = tf.keras.optimizers.Adam(lr=0.001, decay=1e-6)
tensorboard = TensorBoard(log_dir="logs/{}".format(NAME),
histogram_freq=1,
write_graph=True,
write_grads=True,
batch_size=BATCH_SIZE,
write_images=True)
model.compile(
loss='sparse_categorical_crossentropy',
optimizer=opt,
metrics=['accuracy']
)
# Train model
history = model.fit(
train_x, train_y,
batch_size=BATCH_SIZE,
epochs=EPOCHS,
validation_data=(validation_x, validation_y),
callbacks=[tensorboard]
)
我如何着手解决这个问题?有什么想法吗?非常感谢你的帮助 这就是我们想要的行为。如果要记录自定义标量(如动态学习率),则需要使用TensorFlow摘要API 重新训练回归模型并记录自定义学习率。以下是方法: 使用tf.summary.Create_file_writer创建文件编写器。 定义自定义学习速率函数。这将传递给Keras LearningRateScheduler回调。 在learning rate函数中,使用tf.summary.scalar记录自定义学习速率。 将LearningRateScheduler回调传递给Model.fit。 通常,要记录自定义标量,需要将tf.summary.scalar与文件编写器一起使用。文件编写器负责将此运行的数据写入指定目录,并在使用tf.summary.scalar时隐式使用
嘿我真的很感谢你花时间回复!然而,我有点困惑。我不希望实现动态学习率。我正在寻找acc、loss、acc_val和loss_val的图表。我已经更新了我的问题,包括我希望做的事情,以便事情更加清楚!
logdir = "logs/scalars/" + datetime.now().strftime("%Y%m%d-%H%M%S")
file_writer = tf.summary.create_file_writer(logdir + "/metrics")
file_writer.set_as_default()
def lr_schedule(epoch):
"""
Returns a custom learning rate that decreases as epochs progress.
"""
learning_rate = 0.2
if epoch > 10:
learning_rate = 0.02
if epoch > 20:
learning_rate = 0.01
if epoch > 50:
learning_rate = 0.005
tf.summary.scalar('learning rate', data=learning_rate, step=epoch)
return learning_rate
lr_callback = keras.callbacks.LearningRateScheduler(lr_schedule)
tensorboard_callback = keras.callbacks.TensorBoard(log_dir=logdir)
model = keras.models.Sequential([
keras.layers.Dense(16, input_dim=1),
keras.layers.Dense(1),
])
model.compile(
loss='mse', # keras.losses.mean_squared_error
optimizer=keras.optimizers.SGD(),
)
training_history = model.fit(
x_train, # input
y_train, # output
batch_size=train_size,
verbose=0, # Suppress chatty output; use Tensorboard instead
epochs=100,
validation_data=(x_test, y_test),
callbacks=[tensorboard_callback, lr_callback],
)