STM32 AFCI 方案 TensorBoard 的使用介绍

1、引言

STM32 AFCI 方案 AI 模型中涉及了很多神经网络参数，客户使用自有数据进行训练优化时，需要调整某些参数以及度量模型的性能。方案中使用了 mlflow 工具对此进行可视化管理，对于熟悉 Tensorflow 的客户，可能希望使用 TensorBoard 工具。TensorBoard 属于Tensorflow 组件，是用于机器学习工作流所需测量和呈现的工具。通过在训练时将监控数据写入文件系统，利用 GUI 进行分析，或利用 Web 服务监控对应的文件目录，进而具备远程查看监控评估数据的能力。本文主要关注 TensorBoard 可视化的模型调试、优化方面的功能，以抛砖引玉，供客户入门参考。

2、TensorBoard

TensorBoard 是一组用于数据可视化的 GUI 工具，包含在开源机器学习库 Tensorflow中。TensorBoard 的主要功能如下：

• 跟踪和可视化损失及准确率等指标
• 可视化模型图（操作和层）
• 查看权重、偏差或其他张量随时间变化的直方图
• 显示图片、文字和音频数据
• 剖析 Tensorflow 程序

TensorBoard 虽是 Tensorflow 的一部分，也可以独立安装，并可用于 Pytorch 等其他的框架。其安装命令如下：

TensorBoard 可以在模型端使用，也可以与 Web 服务及浏览器相互配合，下面将逐步介绍其功能及用法。

2.1. 通过 fit 使用 TensorBoard Callback

STM32 AFCI 模型使用了 Tensorflow Keras's Model.fit 方法进行训练，可以直接添加“tf.keras.callback.TensorBoard”回调函数，用于创建和存储日志。TensorBoard 回调函

数的原型如下：

tf.keras.callbacks.TensorBoard(

log_dir='logs',

histogram_freq=0,

write_graph=True,

write_images=False,

write_steps_per_second=False,

update_freq='epoch',

profile_batch=0,

embeddings_freq=0,

embeddings_metadata=None,

**kwargs

)

我们以下面例子进行说明，下面代码中“histogram_freq=1”使能了直方图计算功能（默认情况下是关闭状态）；另外 update_freq 采用了默认值'epoch'，该参数可以采用'batch'，即每个 batch 完成后进行度量数据的记录，也可以直接使用数值，如 100，则表示每 100 个 batch 完成后进行度量数据的记录；其它参数按字面意思理解即可，我们这里使用了默认值。