機器學習正在突飛猛進地發(fā)展，新的神經(jīng)網(wǎng)絡模型定期出現(xiàn)。

這些模型針對特定數(shù)據(jù)集進行了訓練，并經(jīng)過準確性和處理速度的驗證。在部署之前，開發(fā)人員需要評估 ML 模型，并確保其滿足特定的閾值并按預期運行。有很多實驗可以提高模型性能，在設計和訓練模型時，可視化差異變得至關(guān)重要。TensorBoard有助于可視化模型，使分析變得不那么復雜，因為當人們可以看到問題所在時，調(diào)試變得更加容易。

訓練 ML 模型的一般做法

一般的做法是使用預先訓練的模型并執(zhí)行遷移學習，以便為類似的數(shù)據(jù)集重新訓練模型。在遷移學習期間，神經(jīng)網(wǎng)絡模型首先在類似于正在解決的問題上進行訓練。然后，在針對感興趣的問題進行訓練的新模型中，將使用訓練模型中的一個或多個層。

大多數(shù)情況下，預訓練模型以二進制格式出現(xiàn)，這使得獲取內(nèi)部信息并立即開始工作變得困難。從組織的業(yè)務角度來看，擁有一些工具來深入了解模型以減少項目交付時間表是有意義的。

有幾個可用選項可用于獲取模型信息，例如層數(shù)和相關(guān)參數(shù)。“模型摘要”和“模型繪圖”是基本選項。這些選項非常簡單，考慮到很少的實現(xiàn)行，并提供非常基本的詳細信息，如層數(shù)，層類型以及每層的輸入/輸出。

但是，模型摘要和模型圖對于以協(xié)議緩沖區(qū)的形式了解任何大型復雜模型的每個細節(jié)并不那么有效。在這種情況下，使用張量板，張量流提供的可視化工具更有意義。考慮到它提供的各種可視化選項，如模型，標量和指標（訓練和驗證數(shù)據(jù)），圖像（來自數(shù)據(jù)集），超參數(shù)優(yōu)化等，它非常強大。

用于可視化自定義模型的模型圖

此選項尤其有助于以協(xié)議緩沖區(qū)的形式接收自定義模型，并且需要在進行任何修改或訓練之前了解它。如下圖所示，連續(xù) CNN 的概覽在電路板上可視化。每個塊代表一個單獨的圖層，選擇其中一個將在右上角打開一個包含輸入和輸出信息的窗口。

如果需要進一步的信息，關(guān)于各個塊內(nèi)部有什么，可以簡單地雙擊塊，這將展開塊并提供更多詳細信息。請注意，一個塊可以包含一個或多個可以逐層擴展的塊。在選擇任何特定操作后，它還將提供有關(guān)相關(guān)處理參數(shù)的更多信息。

用于分析模型訓練和驗證的標量和指標

機器學習的第二個重要方面是分析給定模型的訓練和驗證。從精度和速度的角度來看，性能對于使其適用于現(xiàn)實生活中的實際應用非常重要。在下圖中，可以看出模型的準確性隨著 epoch/迭代次數(shù)的增加而提高。如果訓練和測試驗證不符合標準，則表明某些事情不對勁。這可能是欠擬合或過擬合的情況，可以通過修改圖層/參數(shù)或改進數(shù)據(jù)集或兩者來糾正。

圖像數(shù)據(jù)，用于可視化數(shù)據(jù)集中的圖像

顧名思義，它有助于可視化圖像。它不僅限于可視化數(shù)據(jù)集中的圖像，而且還以圖像的形式顯示混淆矩陣。此矩陣指示檢測各個類的對象的準確性。如下圖所示，模特將外套與套頭衫混淆。為了克服這種情況，建議改進特定類的數(shù)據(jù)集，以便將可區(qū)分的特征提供給模型，以便更好地學習，從而提高準確性。

超參數(shù)調(diào)優(yōu)以實現(xiàn)所需的模型準確性

模型的準確性取決于輸入數(shù)據(jù)集、層數(shù)和相關(guān)參數(shù)。在大多數(shù)情況下，在初始訓練期間，精度永遠不會達到預期的精度，并且除了數(shù)據(jù)集之外，還需要使用層數(shù)，層類型，相關(guān)參數(shù)。此過程稱為超參數(shù)優(yōu)化。

在此過程中，提供了一系列超參數(shù)供模型選擇，并且使用這些參數(shù)的組合運行模型。每個組合的準確性都記錄在電路板上并可視化。它糾正了手動訓練模型時會消耗的精力和時間，用于每個可能的超參數(shù)組合。

用于分析模型處理速度的分析工具

除了準確性之外，處理速度也是任何模型的一個同樣重要的方面。有必要分析單個塊消耗的處理時間，以及是否可以通過進行一些修改來減少。分析工具提供了具有不同 epoch 的每個操作所消耗的時間的圖形表示。通過這種可視化，人們可以輕松查明消耗更多時間的操作。一些已知的開銷可能是調(diào)整輸入大小，從Python轉(zhuǎn)換模型代碼，或者在CPU而不是GPU中運行代碼。處理這些事情將有助于實現(xiàn)最佳性能。

總體而言，張量板是幫助開發(fā)和訓練過程的絕佳工具。來自標量和指標、圖像數(shù)據(jù)和超參數(shù)優(yōu)化的數(shù)據(jù)有助于提高準確性，而分析工具有助于提高處理速度。TensorBoard還有助于減少所涉及的調(diào)試時間，否則這肯定會是一個很大的時間框架。

審核編輯：郭婷