隨著新的神經(jīng)網(wǎng)絡(luò)模型定期出現(xiàn)，機(jī)器學(xué)習(xí)正在突飛猛進(jìn)地發(fā)展。

這些模型針對特定數(shù)據(jù)集進(jìn)行了訓(xùn)練，并在準(zhǔn)確性和處理速度方面得到了證明。開發(fā)人員需要在部署之前評估 ML 模型并確保其符合預(yù)期的特定閾值和功能。有很多實(shí)驗(yàn)可以提高模型性能，在設(shè)計(jì)和訓(xùn)練模型時(shí)，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(fù)雜，因?yàn)楫?dāng)人們可以看到問題所在時(shí)，調(diào)試變得更容易。

訓(xùn)練 ML 模型的一般做法

一般的做法是使用預(yù)訓(xùn)練的模型并執(zhí)行遷移學(xué)習(xí)以針對相似的數(shù)據(jù)集重新訓(xùn)練模型。在遷移學(xué)習(xí)期間，首先針對與正在解決的問題相似的問題對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。然后將訓(xùn)練模型中的一個(gè)或多個(gè)層用于針對感興趣問題訓(xùn)練的新模型。

大多數(shù)情況下，預(yù)訓(xùn)練模型采用二進(jìn)制格式，這使得很難獲取內(nèi)部信息并立即開始處理。從組織的業(yè)務(wù)角度來看，擁有一些工具來深入了解模型以縮短項(xiàng)目交付時(shí)間是有意義的。

有幾個(gè)可用的選項(xiàng)可以獲取模型信息，例如層數(shù)和相關(guān)參數(shù)。模型摘要和模型圖是基本選項(xiàng)。這些選項(xiàng)非常簡單，考慮到幾行實(shí)現(xiàn)，并提供了非?；镜募?xì)節(jié)，如層數(shù)、層類型和每層的輸入/輸出。

但是，模型摘要和模型圖對于理解協(xié)議緩沖區(qū)形式的任何大型復(fù)雜模型的每一個(gè)細(xì)節(jié)并不是那么有效。在這樣的場景下，使用TensorFlow提供的可視化工具TensorBoard就更有意義了。考慮到它提供的各種可視化選項(xiàng)，例如模型、標(biāo)量和度量（訓(xùn)練和驗(yàn)證數(shù)據(jù)）、圖像（來自數(shù)據(jù)集）、超參數(shù)調(diào)整等，它非常強(qiáng)大。

模型圖以可視化自定義模型

當(dāng)以協(xié)議緩沖區(qū)的形式接收自定義模型時(shí)，此選項(xiàng)特別有用，并且需要在對其進(jìn)行任何修改或訓(xùn)練之前對其進(jìn)行理解。如下圖所示，在板上可視化了順序 CNN 的概述。每個(gè)塊代表一個(gè)單獨(dú)的層，選擇其中一個(gè)將在右上角打開一個(gè)窗口，其中包含輸入和輸出信息。

如果需要進(jìn)一步的信息，關(guān)于各個(gè)塊中的內(nèi)容，可以簡單地雙擊塊，這將展開塊并提供更多詳細(xì)信息。請注意，一個(gè)塊可以包含一個(gè)或多個(gè)可以逐層擴(kuò)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(xùn)練和驗(yàn)證的標(biāo)量和指標(biāo)

機(jī)器學(xué)習(xí)的第二個(gè)重要方面是分析給定模型的訓(xùn)練和驗(yàn)證。從準(zhǔn)確性和速度的角度來看，性能對于使其適用于現(xiàn)實(shí)生活中的實(shí)際應(yīng)用非常重要。在下圖中，可以看出模型的準(zhǔn)確性隨著 epochs/迭代次數(shù)的增加而提高。如果訓(xùn)練和測試驗(yàn)證不達(dá)標(biāo)，則表明某些事情不正確。這可能是欠擬合或過擬合的情況，可以通過修改層/參數(shù)或改進(jìn)數(shù)據(jù)集或兩者兼而有之來糾正。

圖像數(shù)據(jù)以可視化數(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，它還以圖像的形式顯示混淆矩陣。該矩陣表示檢測各個(gè)類別的對象的準(zhǔn)確性。如下圖所示，模特將大衣與套頭衫混淆了。為了克服這種情況，建議改進(jìn)特定類別的數(shù)據(jù)集，以將可區(qū)分的特征提供給模型，以便更好地學(xué)習(xí)并提高準(zhǔn)確性。

超參數(shù)調(diào)整以實(shí)現(xiàn)所需的模型精度

模型的準(zhǔn)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(xùn)練期間，準(zhǔn)確度永遠(yuǎn)不會達(dá)到預(yù)期的準(zhǔn)確度，除了數(shù)據(jù)集之外，還需要考慮層數(shù)、層類型、相關(guān)參數(shù)。此過程稱為超參數(shù)調(diào)整。

在這個(gè)過程中，提供了一系列超參數(shù)供模型選擇，并結(jié)合這些參數(shù)運(yùn)行模型。每個(gè)組合的準(zhǔn)確性都記錄在板上并可視化。它糾正了為超參數(shù)的每個(gè)可能組合手動訓(xùn)練模型所消耗的精力和時(shí)間。

分析模型處理速度的分析工具

除了準(zhǔn)確性之外，處理速度對于任何模型來說都是同樣重要的方面。有必要分析各個(gè)塊消耗的處理時(shí)間，以及是否可以通過一些修改來減少它。Profiling Tool 提供了每個(gè)操作在不同時(shí)期的時(shí)間消耗的圖形表示。通過這種可視化，人們可以很容易地查明需要更多時(shí)間的操作。一些已知的開銷可能是調(diào)整輸入的大小、從 Python 轉(zhuǎn)換模型代碼或在 CPU 而非 GPU 中運(yùn)行代碼。照顧好這些事情將有助于實(shí)現(xiàn)最佳性能。

總體而言，TensorBoard 是幫助開發(fā)和培訓(xùn)過程的絕佳工具。Scalar and Metrics、Image Data 和 Hyperparameter 調(diào)優(yōu)的數(shù)據(jù)有助于提高準(zhǔn)確性，而 profiling 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(shí)間，否則這肯定是一個(gè)很大的時(shí)間框架。

審核編輯：郭婷