A través de los módulos hemos explorado gran parte del ciclo de vida de los algoritmos de deep learning, desde la carga y limpieza de datos hasta la creación y optimización de los mismos, culminando con la implementación de modelos pre-entrenados desde Keras Applications y TensorHub.

Ahora indagaremos sobre TensorBoard, una herramienta que nos permitirá publicar los resultados de nuestros modelos a la comunidad.

A través de las siguientes sesiones, comprenderemos qué es Tensorboard, sus variables relevantes, cómo analizar y publicar nuestros resultados, además de algunas nociones para escalar nuestros modelos a producción.

Introducción a TensorBoard

TensorBoard es una herramienta de TensorFlow creada para la visualización de resultados, nos permite ver de manera gráfica la composición, estructura, variables relevantes y demás insights de nuestro modelo y nos ofrece la oportunidad de debuggearlo para obtener las mejores configuraciones posibles.

Importaremos el callback de TensorBoard y el módulo nativo de time de Python.

fullscreen
from tensorflow.python.keras.callbacks import TensorBoard
from time import time

Generaremos un modelo con nuestra función generadora genérica y lo compilaremos con la configuración usual.

fullscreen
model_tensorboard = get_model()
model_tensorboard.compile(optimizer = "adam", loss = "categorical_crossentropy", metrics = ["accuracy"])

Antes de entrenar el modelo crearemos el callback de TensorBoard al que le especificaremos la ruta donde deberá guardar los registros.

fullscreen
callback_tensorboard = TensorBoard(log_dir = f"logs/{time()}")

Entrenaremos el modelo agregando el TensorBoard como callback.

fullscreen
history_tensorboard = model_tensorboard.fit(
    train_generator,
    epochs = 20,
    callbacks = [callback_tensorboard],
    validation_data = validation_generator
)

Con esto tenemos todos los ingredientes necesarios para explorar nuestros resultados.

Contribución creada por Sebastián Franco Gómez.