发布者：Gal Oshri，产品经理

TensorBoard 是 TensorFlow 的可视化工具包，经常被研究人员和工程师用来可视化和理解他们的机器学习实验。它可以 跟踪实验指标、可视化模型、分析机器学习程序、可视化超参数调优实验，等等。

虽然 TensorBoard 使得可视化自己的实验变得容易，但机器学习通常涉及协作。您可能想要分享您关于超参数效果的研究，解释复杂的训练过程，或获得帮助来解决奇怪的模型行为问题。

我们看到人们分享 TensorBoard 的截图来实现这一点。然而，截图不是交互式的，无法捕捉所有细节。在 Google，研究人员和工程师经常通过向队友发送 TensorBoard 可视化来传达他们对模型行为的见解。我们的目标是将此功能提供给更广泛的社区。

这就是我们推出 TensorBoard.dev 的原因：一个托管服务（目前处于预览阶段），使您能够轻松地免费托管、跟踪和分享您的机器学习实验。只需上传您的 TensorBoard 日志，您就会收到一个可以被所有人查看的链接，无需安装或设置。

如果一张图片胜过千言万语，我们相信一个交互式的 TensorBoard 会更有价值。

TensorBoard.dev 实验 用于 "探索用统一的文本到文本 Transformer 实现迁移学习的极限"

我们很高兴看到社区如何与 TensorBoard.dev 互动。这里有一些示例和想法

• 研究：论文“探索用统一的文本到文本 Transformer 实现迁移学习的极限”研究了使用文本到文本模型的 NLP 迁移学习，并在多个任务中取得了最先进的结果。 此 TensorBoard.dev 示例 展示了“预训练数据集”探索的基线训练结果，对应于论文中表 8 的第一行。预训练约 520k 步，然后进行特定任务的训练，这一过程通过 TensorBoard 中的损失曲线显示。
  
• 示例模型：TensorBoard.dev 可以为想要了解示例模型训练过程或确保正确复制模型的人提供参考点。例如
  
  • 来自 TensorFlow 模型库 的 BERT 模型 预训练任务的训练可以在 此 TensorBoard 中看到。
  • 一个 TensorFlow.js 强化学习示例 包含一个指向 相应 TensorBoard 的链接。
  • 在 TF Hub 上针对 通用句子编码器模型 的多语言训练可以 在这里 可视化。
• 故障排除：假设您在训练过程中遇到意外行为。分享到 TensorBoard 的链接（而不是截图）可以帮助快速传达这一点并帮助故障排除。
  
• 教程：TensorFlow.org 上关于 过拟合和欠拟合 和 Pix2Pix 的教程现在使用 TensorBoard.dev 来帮助说明实验结果。
  

入门

第一步是确定要分享的 TensorBoard 日志（您可以从 这里 下载一个示例）。请注意，您上传的 TensorBoard 将公开可见，因此请勿上传敏感数据。

确保您已安装最新版本的 TensorBoard

pip install -U tensorboard

然后，只需使用上传命令

tensorboard dev upload --logdir {logs}

在按照说明使用您的 Google 帐户进行身份验证后，将提供一个 TensorBoard.dev 链接。您可以在上传过程中立即查看 TensorBoard。上传器将继续运行并上传在日志目录中出现的新的日志，直到您停止该过程。

TensorBoard.dev 链接可以被所有人打开，因此请随意使用它来分享您的研究，在 GitHub 问题或 Stack Overflow 问题中寻求建议，或者简单地在不本地打开 TensorBoard 的情况下跟踪您的实验。上传日志需要 Google 帐户，但查看 TensorBoard 不需要。

还有其他几个命令可用于列出、删除或导出您的实验。您可以使用 tensorboard dev --help 命令了解更多信息。当前每个用户有 10M 数据点的限制。如果您达到此限制（您将在上传期间收到错误），请 与我们联系！要快速解决此问题，请删除一些现有实验。

您可以在 Colab 中找到一个端到端的教程 这里。虽然教程展示了如何使用 Keras 的 .fit() 创建的 TensorBoard 日志，但您也可以使用通过基于 GradientTape 的训练循环（如 TensorBoard 的标量教程 中所示）或任何其他有效的 TensorBoard 日志创建的日志。

TensorBoard.dev 的下一步是什么？

TensorBoard.dev 处于预览阶段，目前只包含 TensorBoard 的标量仪表板。我们正在添加更多 TensorBoard 的功能，并扩展共享功能。我们还在探索一些关于如何更容易地发现已发布的有趣 TensorBoard 的想法。

如果您有任何关于如何使 TensorBoard.dev 对您更有用的反馈或想法，我们很乐意在 [email protected] 收到您的反馈。