 ดูบน TensorFlow.org |  ทำงานใน Google Colab |  ดูแหล่งที่มาบน GitHub |  ดาวน์โหลดโน๊ตบุ๊ค |
ภาพรวม
ใช้ TensorFlow ข้อความข้อมูลอย่างย่อ API คุณสามารถเข้าสู่ระบบข้อความโดยพลการและดูใน TensorBoard ซึ่งจะเป็นประโยชน์อย่างยิ่งในการสุ่มตัวอย่างและตรวจสอบข้อมูลที่ป้อนของคุณ หรือเพื่อบันทึกข้อมูลเมตาการดำเนินการหรือข้อความที่สร้างขึ้น คุณยังสามารถบันทึกข้อมูลการวินิจฉัยเป็นข้อความที่เป็นประโยชน์ในระหว่างการพัฒนาแบบจำลองของคุณ
ในบทช่วยสอนนี้ คุณจะลองใช้กรณีการใช้งานพื้นฐานบางอย่างของ Text Summary API
ติดตั้ง
try:
# %tensorflow_version only exists in Colab.
%tensorflow_version 2.x
except Exception:
pass
# Load the TensorBoard notebook extension.
%load_ext tensorboard
import tensorflow as tf
from datetime import datetime
import json
from packaging import version
import tempfile
print("TensorFlow version: ", tf.__version__)
assert version.parse(tf.__version__).release[0] >= 2, \
"This notebook requires TensorFlow 2.0 or above."
TensorFlow version: 2.5.0-dev20210219
บันทึกข้อความชิ้นเดียว
เพื่อให้เข้าใจว่า Text Summary API ทำงานอย่างไร คุณจะต้องบันทึกข้อความเล็กน้อยและดูว่าข้อความนั้นแสดงอย่างไรใน TensorBoard
my_text = "Hello world! 😃"
# Clear out any prior log data.
!rm -rf logs
# Sets up a timestamped log directory.
logdir = "logs/text_basics/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)
# Using the file writer, log the text.
with file_writer.as_default():
tf.summary.text("first_text", my_text, step=0)
ตอนนี้ ใช้ TensorBoard เพื่อตรวจสอบข้อความ รอสักครู่เพื่อให้ UI หมุน
%tensorboard --logdir logs
การจัดระเบียบสตรีมข้อความหลายรายการ
หากคุณมีข้อความหลายสตรีม คุณสามารถเก็บไว้ในเนมสเปซแยกกันเพื่อช่วยจัดระเบียบได้ เช่นเดียวกับสเกลาร์หรือข้อมูลอื่นๆ
โปรดทราบว่าหากคุณบันทึกข้อความในหลายขั้นตอน TensorBoard จะสุ่มตัวอย่างขั้นตอนที่จะแสดงเพื่อให้จัดการการนำเสนอได้ คุณสามารถควบคุมอัตราการสุ่มตัวอย่างโดยใช้ --samples_per_plugin ธง
# Sets up a second directory to not overwrite the first one.
logdir = "logs/multiple_texts/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)
# Using the file writer, log the text.
with file_writer.as_default():
with tf.name_scope("name_scope_1"):
for step in range(20):
tf.summary.text("a_stream_of_text", f"Hello from step {step}", step=step)
tf.summary.text("another_stream_of_text", f"This can be kept separate {step}", step=step)
with tf.name_scope("name_scope_2"):
tf.summary.text("just_from_step_0", "This is an important announcement from step 0", step=0)
%tensorboard --logdir logs/multiple_texts --samples_per_plugin 'text=5'
Markdown การตีความ
TensorBoard ตีความข้อความสรุปเป็น Markdown เนื่องจากการจัดรูปแบบที่หลากหลายสามารถทำให้ข้อมูลที่คุณบันทึกอ่านและทำความเข้าใจได้ง่ายขึ้น ดังที่แสดงด้านล่าง (ถ้าคุณไม่ต้องการการตีความ Markdown ดู ปัญหานี้ สำหรับวิธีการแก้ปัญหาการตีความปราบ.)
# Sets up a third timestamped log directory under "logs"
logdir = "logs/markdown/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)
some_obj_worth_noting = {
"tfds_training_data": {
"name": "mnist",
"split": "train",
"shuffle_files": "True",
},
"keras_optimizer": {
"name": "Adagrad",
"learning_rate": "0.001",
"epsilon": 1e-07,
},
"hardware": "Cloud TPU",
}
# TODO: Update this example when TensorBoard is released with
# https://github.com/tensorflow/tensorboard/pull/4585
# which supports fenced codeblocks in Markdown.
def pretty_json(hp):
json_hp = json.dumps(hp, indent=2)
return "".join("\t" + line for line in json_hp.splitlines(True))
markdown_text = """
### Markdown Text
TensorBoard supports basic markdown syntax, including:
preformatted code
**bold text**
| and | tables |
| ---- | ---------- |
| among | others |
"""
with file_writer.as_default():
tf.summary.text("run_params", pretty_json(some_obj_worth_noting), step=0)
tf.summary.text("markdown_jubiliee", markdown_text, step=0)
%tensorboard --logdir logs/markdown