谷歌教你学 AI-第五讲模型可视化

Google Cloud发布了名为"AI Adventures"的系列视频，用简单易懂的语言让初学者了解机器学习的方方面面。今天让我们来看到第五讲模型可视化。

回顾之前内容： 谷歌教你学 AI -第一讲机器学习是什么?

谷歌教你学 AI -第二讲机器学习的7个步骤

谷歌教你学 AI -第三讲简单易懂的估算器

谷歌教你学 AI -第四讲部署预测模型

附有中文字幕的视频如下：

AI Adventures--第五讲模型可视化

针对不方便打开视频的小伙伴，CDA字幕组也贴心的整理了文字版本，如下：

在本期的AI Adventures中，让我们一起了解如何使用TensorBoard进行模型可视化以及调试问题！

当你知道问题所在时，调试问题就容易得多。 但是随着在复杂的模型中输入训练数据，情况则会变得复杂起来。幸运的是，TensorBoard让这变得简单。

与传统编程不同，机器学习中通常有很多难预测的因素。 数据的质量，模型的细微差别，需要选择的众多参数，这些都会影响到训练过程的成败。

如果有办法能够在训练过程中跟踪这些指标，并同时观察我们创建的模型结构，那么这将让我们能够调整模型并调试所看到的问题。

如今，这个抽象过程可能很难进行可视化，但幸运的是，TensorFlow有内置的解决方案！

TensorBoard

让我们看到TensorBoard，TensorFlow的内置可视化工具，这能让你完成各种事情，从观察模型结构到查看培训进度等等。

TensorFlow用到了当中计算图的理念。

这意味着，不是在传统意义上添加两个数字，而是构建一个添加操作符，并将添加的值一起作为输入。

所以当我们想到用TensorFlow训练模型时，它实际上是把所有内容作为“图表”的一部分来执行。 TensorBoard将这些模型可视化，从而你可以看到它们的样子，更重要的是，确保你已按照自己的需求连接了所有部分。

模型图可视化

下面是一个比较复杂的例子，用TensorFlow把模型图进行可视化。

TensorBoard能让我们进行缩放，平移和展开元素从而查看更多细节。 这意味着我们可以在不同抽象层查看模型，这能减少视觉的复杂程度。

但是，TensorBoard不仅仅能够显示模型结构。它还可以用图表很好地绘制指标的进展。

通常，我们会绘制正确率，损失，交叉熵等等。 取决不同模型，重要的指标也不同。TensorFlow的估算器中有很多预先配置在TensorBoard中的值，所以这是一个不错的开始。

TensorBoard可以显示各种信息，包括直方图、分布、嵌入。以及模型中的音频，图片和文本数据等。这些将在之后的视频中讲到。

线性模型

我们看到下一个例子，在TensorBoard中用到我们一直在使用的线性模型。 首先我们启动TensorBoard，并指向保存了模型结构和检查点文件的目录，接着运行：

tensorboard --logdir=”/tmp/iris_model/”

这将在端口6006启动本地服务器。是的，这拼写为GOOG(即谷歌)。转到本地主机：6006，接着看到本地机器上的TensorBoard。

我们可以看到一些标量指标是默认提供的，以及线性分类器。 我们也可以展开和放大任意图表。

可以通过双击缩小。 你可以看到我们的训练进展得很好，损失在随着时间减少。 还可以确定的是，训练还没有完成，因为及时在训练尾声，损失仍然按一定速度下降。这也提示我们，也许要加长训练过程，从而充分利用该模型。

图表标签

现在让我们看到图表标签。 注意，表面上的图表非常简单。

我们可以通过单击加号展开每个块，从而查看更多信息。 例如，如果展开“线性”块，我们会看到它由多个子组件组成。 我们可以通过放大和缩小，点击并拖动来进行平移。

还要注意，我们给特征列命名为“flower_features”显示为命名的图表组件。

这可以帮助调试和识别图表的连接方式。 TensorFlow的大部分操作都可以命名，因此这是辨明模型的的好方法。

本期我们了解到，将模型和重要的训练指标进行可视化，机器学习会变得更轻松、更有趣。

TensorBoard就能让你轻松做到这点，更好的是它就内置于TensorFlow当中。

下次当你需要对机器学习进行可视化，可以试着用用TensorBoard，揭示背后的原理。

下期预告

在下期，我们将学习如何将线性模型转换为深度神经网络，从而训练越来越复杂的数据集。