AIA （AI Adventures）系列現在已經進入第五期了。前三期分享當中，Yufeng 介紹了機器學習的核心概念、基本邏輯，也介紹了要進行機器學習需要經過哪些步驟，并根據這些基本知識嘗試使用線性評估器 API 打造了鳶尾花分類模型。今天的分享中，他會與我們分享一個非常有力的工具：TensorBoard，讓你能“看穿”模型，監測訓練過程。

為了更方便 TensorFlow 程序的理解、調試與優化，TensorFlow 團隊發布了一套名為 TensorBoard 的可視化工具。開發者們可以用 TensorBoard 來展現 TensorFlow 圖，繪制圖像生成的定量指標圖以及顯示附加數據（如其中傳遞的圖像），請看 Yufeng 為大家帶來的分享：

當你能「看清」問題所在時，調試起來是最簡單的。但是當大量的訓練數據如潮水般涌入復雜模型的時候，調試的過程往往會變得無比復雜。不過別怕，幸虧有 TensorBoard，一切變得簡單起來。

機器學習可不像傳統的編程，它往往變幻莫測。模型間的細小差別以及數據的質量、參數微調中的小小改變都可能對最終成功與否造成巨大的影響。

用 TensorBoard 發現問題所在

只有當我們縱覽模型整體結構，并跟蹤某些特征數據在整個訓練過程當中的變化時，才能有效調校模型并調試所「看到」的問題。

這一抽象的流程往往難以通過可視化的方式呈現，不過現在 TensorFlow 內置了解決方案將會帶來改變。

現在一起來看看內置于 TensorFlow 的可視化方案 — TensorBoard，一個讓你更能把控大量操作的工具。不論是觀察模型整體結構還是監視整個模型訓練過程。

TensorFlow 在內部使用了計算機圖形理論的思想。

也就是說，為了取締傳統意義上兩數相加的思維，TensorFlow 構造了新的加法運算，并將之作為參數傳入，隨后數值將會被這一運算加在一起。

所以我們回頭思考 TensorFlow 訓練過程，其實就是將所有操作當成圖的一部分來執行的過程。TensorBoard 可以將這些模型可視化，所以你能看到模型抽象出來是什么樣子，更讓你得以檢查是否所有部分都按要求組合在了一起。

下面來個更復雜點的例子，同樣是用 TensorFlow 將模型可視化的例子。注意看上圖，TensorFlow 讓我們可以縮放、掃視、展開模型的各個元素以得到更多細節。這就是說，我們可以從不同的抽象層次觀察模型，從而降低了視覺復雜度。

并且，TensorBoard 除了向我們展示模型的結構，還會將各項特征值的變化很好布局在圖上。我們會將精確度、失真、跨熵等拿來布局觀測，且另一方面，依賴于模型的眾多特征值往往都非常重要。至于 TensorFlow 的預置發射器，它們自帶了一套預設值用于在 TensorBoard 中使用。這一特性為后續使用做好了鋪墊。

TensorBoard 除了上述功能，還能展示包括條形圖、分布圖以及諸如聲音、圖像、文字等與模型共生的數據等等大量的信息。不過關于那部分的詳細介紹要等到后面的視頻。

回歸正題，我們來看看之前一直使用的線性模型在 TensorBoard 當中的表現。首先需要啟動 TensorBoard 并將之指向目標模型層次結構及重要中間文件所在的目錄：

tensorboard --logdir=」/tmp/iris_model/」

此項操作會啟動一個偵聽 6006 端口的本地服務器。

6006 看起來是不是非常像「GOOG」呢？

我們可以看到一些線性 classifier 默認提供的標量特征值。稍后可以通過縮放和展開來研究這些圖像。

雙擊能夠回退到更高的縮放級別。可見，我們的模型訓練隨著時間推移正以逐漸降低的失真井然有序進行。并且我們能清晰看到模型訓練尚未完成，原因是當前的失真下降率仍然較高。它提示我們，也許應當再多訓練一會兒，進而從訓練過程中獲得更多收益。

接下來看看 Graph 小分頁。注意看，此時圖還是非常簡單的。

我們能通過點擊小塊兒上面的加號展開查看更詳細的內容。比如，我現在展開了「linear」這個模塊，可以看到它由不少子模塊組成。我們可以通過滾輪來縮放視野，也可以通過點按拖拽來查看其他部分。

注意我們給特征列的名字，比如此處的 flower_features 在圖中以模塊形式呈現。

這種方式將有助于調試并了解上面展示的圖中各部分是怎樣聯結起來的。大多數 TensorFlow 的操作是可以命名的，所以這是一個將模型闡述清楚和觀察當前訓練進展的好機會。

今天，我們學到了簡單有趣的機器學習模型重要特征值可視化相關知識。TensorBoard 將讓你輕松體驗到這種樂趣，并且最妙之處是它已經完全內置在 TensorFlow 當中了。

記住下一次你想要把機器學習過程可視化時，TensorBoard 是你的不二選擇。