Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
tensorflow
GitHub Repository: tensorflow/docs-l10n
 Path: blob/master/site/ko/tensorboard/tensorboard_in_notebooks.ipynb
25115 views
Kernel: Python 3
#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

TensorBoard는 Colab 및 Jupyter와 같은 노트북 환경에서 직접 사용할 수 있습니다. 이는 결과를 공유하고, TensorBoard를 기존 워크플로에 통합하고, 로컬에 아무것도 설치하지 않고 TensorBoard를 사용하는 데 도움이 될 수 있습니다.

설정

우선, TF 2.0을 설치하고 TensorBoard 노트북 확장을 로드합니다.

Jupyter 사용자의 경우: Jupyter와 TensorBoard를 동일한 virtualenv에 설치했다면 문제 없이 진행됩니다. 다른 Conda/virtualenv 환경에 대한 전역 Jupyter 설치 및 커널과 같이 더 복잡한 설정을 사용하는 경우에는 tensorboard 바이너리가 Jupyter 노트북 컨텍스트 내의 PATH에 있도록 해야 합니다. 이렇게 하는 한 가지 방법은 여기의 설명에 따라 kernel_spec을 수정하여 환경의 bin 디렉토리를 PATH 앞에 추가하는 것입니다.

Docker 사용자의 경우: TensorFlow의 nightly를 사용하여 Jupyter Notebook 서버의 Docker 이미지를 실행하는 경우 노트북의 포트뿐만 아니라 TensorBoard의 포트도 노출해야 합니다. 따라서 다음 명령으로 컨테이너를 실행합니다.

docker run -it -p 8888:8888 -p 6006:6006 \
tensorflow/tensorflow:nightly-py3-jupyter

여기서 -p 6006은 TensorBoard의 기본 포트입니다. 이렇게 하면 하나의 TensorBoard 인스턴스를 실행할 수 있는 포트가 할당됩니다. 동시 인스턴스를 가지려면 더 많은 포트를 할당해야 합니다. 또한 --bind_all을 %tensorboard에 전달하여 컨테이너 외부에 포트를 노출합니다.

# Load the TensorBoard notebook extension
%load_ext tensorboard

TensorFlow, datetime 및 os를 가져옵니다.

import tensorflow as tf
import datetime, os

노트북의 TensorBoard

FashionMNIST 데이터세트를 다운로드하고 범위를 조정합니다.

fashion_mnist = tf.keras.datasets.fashion_mnist

(x_train, y_train),(x_test, y_test) = fashion_mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz 32768/29515 [=================================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz 26427392/26421880 [==============================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz 8192/5148 [===============================================] - 0s 0us/step Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz 4423680/4422102 [==============================] - 0s 0us/step

매우 간단한 모델을 만듭니다.

def create_model():
  return tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
  ])

Keras 및 TensorBoard 콜백을 사용하여 모델을 훈련합니다.

def train_model():
  
  model = create_model()
  model.compile(optimizer='adam',
                loss='sparse_categorical_crossentropy',
                metrics=['accuracy'])

  logdir = os.path.join("logs", datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
  tensorboard_callback = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)

  model.fit(x=x_train, 
            y=y_train, 
            epochs=5, 
            validation_data=(x_test, y_test), 
            callbacks=[tensorboard_callback])

train_model()
Train on 60000 samples, validate on 10000 samples Epoch 1/5 60000/60000 [==============================] - 11s 182us/sample - loss: 0.4976 - accuracy: 0.8204 - val_loss: 0.4143 - val_accuracy: 0.8538 Epoch 2/5 60000/60000 [==============================] - 10s 174us/sample - loss: 0.3845 - accuracy: 0.8588 - val_loss: 0.3855 - val_accuracy: 0.8626 Epoch 3/5 60000/60000 [==============================] - 10s 175us/sample - loss: 0.3513 - accuracy: 0.8705 - val_loss: 0.3740 - val_accuracy: 0.8607 Epoch 4/5 60000/60000 [==============================] - 11s 177us/sample - loss: 0.3287 - accuracy: 0.8793 - val_loss: 0.3596 - val_accuracy: 0.8719 Epoch 5/5 60000/60000 [==============================] - 11s 178us/sample - loss: 0.3153 - accuracy: 0.8825 - val_loss: 0.3360 - val_accuracy: 0.8782

magics를 사용하여 노트북 내에서 TensorBoard를 시작합니다.

%tensorboard --logdir logs

이제 스칼라, 그래프, 히스토그램 등의 대시보드를 볼 수 있습니다. 일부 대시보드는 아직 Colab에서 사용할 수 없습니다(예: 프로필 플러그인).

%tensorboard 매직은 TensorBoard 명령줄 호출과 정확히 동일한 형식을 갖지만 앞에 % 기호가 있습니다.

훈련 전에 TensorBoard를 시작하여 진행 상황을 모니터링할 수도 있습니다.

%tensorboard --logdir logs

동일한 TensorBoard 백엔드는 같은 명령을 실행하여 재사용됩니다. 다른 로그 디렉토리를 선택한 경우, TensorBoard의 새 인스턴스가 열립니다. 포트는 자동으로 관리됩니다.

새 모델의 훈련을 시작하고 TensorBoard가 30초마다 자동으로 업데이트되는 것을 확인하거나 오른쪽 상단의 버튼을 이용해 새로 고칩니다.

train_model()
Train on 60000 samples, validate on 10000 samples Epoch 1/5 60000/60000 [==============================] - 11s 184us/sample - loss: 0.4968 - accuracy: 0.8223 - val_loss: 0.4216 - val_accuracy: 0.8481 Epoch 2/5 60000/60000 [==============================] - 11s 176us/sample - loss: 0.3847 - accuracy: 0.8587 - val_loss: 0.4056 - val_accuracy: 0.8545 Epoch 3/5 60000/60000 [==============================] - 11s 176us/sample - loss: 0.3495 - accuracy: 0.8727 - val_loss: 0.3600 - val_accuracy: 0.8700 Epoch 4/5 60000/60000 [==============================] - 11s 179us/sample - loss: 0.3282 - accuracy: 0.8795 - val_loss: 0.3636 - val_accuracy: 0.8694 Epoch 5/5 60000/60000 [==============================] - 11s 176us/sample - loss: 0.3115 - accuracy: 0.8839 - val_loss: 0.3438 - val_accuracy: 0.8764

제어 수준을 좀 더 높이려면 tensorboard.notebook API를 사용할 수 있습니다.

from tensorboard import notebook
notebook.list() # View open TensorBoard instances
Known TensorBoard instances: - port 6006: logdir logs (started 0:00:54 ago; pid 265) 
# Control TensorBoard display. If no port is provided, 
# the most recently launched TensorBoard is used
notebook.display(port=6006, height=1000)