我可以将 TensorBoard 与 Google Colab 一起使用吗？
Can I use TensorBoard with Google Colab?
在 Google Colab 上训练 TensorFlow 模型时，有什么方法可以使用 TensorBoard 吗？
以下是如何在 Google Colab 上内联显示模型。下面是一个显示占位符的非常简单的示例：
from IPython.display import clear_output, Image, display, HTML
import tensorflow as tf
import numpy as np
from google.colab import files
def strip_consts(graph_def, max_const_size=32):
"""Strip large constant values from graph_def."""
strip_def = tf.GraphDef()
for n0 in graph_def.node:
n = strip_def.node.add()
n.MergeFrom(n0)
if n.op == 'Const':
tensor = n.attr['value'].tensor
size = len(tensor.tensor_content)
if size > max_const_size:
tensor.tensor_content = "<stripped %d bytes>"%size
return strip_def
def show_graph(graph_def, max_const_size=32):
"""Visualize TensorFlow graph."""
if hasattr(graph_def, 'as_graph_def'):
graph_def = graph_def.as_graph_def()
strip_def = strip_consts(graph_def, max_const_size=max_const_size)
code = """
<script>
function load() {{
document.getElementById("{id}").pbtxt = {data};
}}
</script>
<link rel="import" href="https://tensorboard.appspot.com/tf-graph-basic.build.html" onload=load()>
<div style="height:600px">
<tf-graph-basic id="{id}"></tf-graph-basic>
</div>
""".format(data=repr(str(strip_def)), id='graph'+str(np.random.rand()))
iframe = """
<iframe seamless style="width:1200px;height:620px;border:0" srcdoc="{}"></iframe>
""".format(code.replace('"', '"'))
display(HTML(iframe))
"""Create a sample tensor"""
sample_placeholder= tf.placeholder(dtype=tf.float32)
"""Show it"""
graph_def = tf.get_default_graph().as_graph_def()
show_graph(graph_def)
目前，您无法 运行 Google Colab 上的 Tensorboard 服务，就像您在本地 运行 它一样。此外，您不能通过 summary_writer = tf.summary.FileWriter('./logs', graph_def=sess.graph_def) 之类的方式将整个日志导出到您的云端硬盘，以便您可以下载并在本地查看。
编辑：您可能想试试官方 %tensorboard magic，从 TensorFlow 1.13 开始可用。
在 %tensorboard 魔法存在之前，标准的方法是
实现这一点是将网络流量代理到 Colab VM 使用
ngrok. A Colab example can be found here.
这些是步骤（代码片段表示 colab 中 "code" 类型的单元格）：
在后台获取 TensorBoard 运行。
灵感来自 .
LOG_DIR = '/tmp/log'
get_ipython().system_raw(
'tensorboard --logdir {} --host 0.0.0.0 --port 6006 &'
.format(LOG_DIR)
)
下载并解压 ngrok。
将传递给 wget 的 link 替换为适合您 OS 的正确下载 link。
! wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip
! unzip ngrok-stable-linux-amd64.zip
启动 ngrok 后台进程...
get_ipython().system_raw('./ngrok http 6006 &')
...并检索 public url。
Source
! curl -s http://localhost:4040/api/tunnels | python3 -c \
"import sys, json; print(json.load(sys.stdin)['tunnels'][0]['public_url'])"
这是在 Google Colab 上执行相同 ngrok 隧道方法的更简单方法。
!pip install tensorboardcolab
那么，
from tensorboardcolab import TensorBoardColab, TensorBoardColabCallback
tbc=TensorBoardColab()
假设您使用的是 Keras：
model.fit(......,callbacks=[TensorBoardColabCallback(tbc)])
可以看原文posthere.
TensorBoard for TensorFlow 运行 在 Google Colab 上使用 tensorboardcolab。这在内部使用 ngrok 进行隧道传输。
- 安装 TensorBoardColab
!pip install tensorboardcolab
- 创建一个 tensorboardcolab 对象
tbc = TensorBoardColab()
这会自动创建一个可以使用的 TensorBoard link。此 Tensorboard 正在读取“./Graph”
中的数据
- 创建指向此位置的 FileWriter
summary_writer = tbc.get_writer()
tensorboardcolab 库具有 returns FileWriter 对象指向上方 './Graph' 位置的方法。
- 使用summary_writer对象
开始向“./Graph”位置的事件文件添加摘要信息
您可以添加标量信息或图形或直方图数据。
我使用 google 驱动器的备份和同步 https://www.google.com/drive/download/backup-and-sync/。在训练期间定期保存在我的 google 驱动器中的事件文件会自动同步到我自己计算机上的文件夹中。我们称此文件夹为 logs。要访问 tensorboard 中的可视化，我打开命令提示符，导航到同步的 google 驱动器文件夹，然后键入：tensorboard --logdir=logs.
因此，通过自动将我的驱动器与我的计算机同步（使用备份和同步），我可以像在自己的计算机上训练一样使用 tensorboard。
编辑：
这是一个可能有用的笔记本。 https://colab.research.google.com/gist/MartijnCa/961c5f4c774930f4bdd32d51829da6f6/tensorboard-with-google-drive-backup-and-sync.ipynb
我尝试了但没有得到结果但是当如下使用时，得到了结果
import tensorboardcolab as tb
tbc = tb.TensorBoardColab()
在此之后从输出中打开 link。
import tensorflow as tf
import numpy as np
显式创建一个 Graph 对象
graph = tf.Graph()
with graph.as_default()
完整示例：
with tf.name_scope("variables"):
# Variable to keep track of how many times the graph has been run
global_step = tf.Variable(0, dtype=tf.int32, name="global_step")
# Increments the above `global_step` Variable, should be run whenever the graph is run
increment_step = global_step.assign_add(1)
# Variable that keeps track of previous output value:
previous_value = tf.Variable(0.0, dtype=tf.float32, name="previous_value")
# Primary transformation Operations
with tf.name_scope("exercise_transformation"):
# Separate input layer
with tf.name_scope("input"):
# Create input placeholder- takes in a Vector
a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")
# Separate middle layer
with tf.name_scope("intermediate_layer"):
b = tf.reduce_prod(a, name="product_b")
c = tf.reduce_sum(a, name="sum_c")
# Separate output layer
with tf.name_scope("output"):
d = tf.add(b, c, name="add_d")
output = tf.subtract(d, previous_value, name="output")
update_prev = previous_value.assign(output)
# Summary Operations
with tf.name_scope("summaries"):
tf.summary.scalar('output', output) # Creates summary for output node
tf.summary.scalar('product of inputs', b, )
tf.summary.scalar('sum of inputs', c)
# Global Variables and Operations
with tf.name_scope("global_ops"):
# Initialization Op
init = tf.initialize_all_variables()
# Collect all summary Ops in graph
merged_summaries = tf.summary.merge_all()
# Start a Session, using the explicitly created Graph
sess = tf.Session(graph=graph)
# Open a SummaryWriter to save summaries
writer = tf.summary.FileWriter('./Graph', sess.graph)
# Initialize Variables
sess.run(init)
def run_graph(input_tensor):
"""
Helper function; runs the graph with given input tensor and saves summaries
"""
feed_dict = {a: input_tensor}
output, summary, step = sess.run([update_prev, merged_summaries, increment_step], feed_dict=feed_dict)
writer.add_summary(summary, global_step=step)
# Run the graph with various inputs
run_graph([2,8])
run_graph([3,1,3,3])
run_graph([8])
run_graph([1,2,3])
run_graph([11,4])
run_graph([4,1])
run_graph([7,3,1])
run_graph([6,3])
run_graph([0,2])
run_graph([4,5,6])
# Writes the summaries to disk
writer.flush()
# Flushes the summaries to disk and closes the SummaryWriter
writer.close()
# Close the session
sess.close()
# To start TensorBoard after running this file, execute the following command:
# $ tensorboard --logdir='./improved_graph'
还有一个替代解决方案，但我们必须使用 TFv2.0 预览版。因此，如果您没有迁移问题，请尝试以下操作：
为 GPU 或 CPU 安装 tfv2.0（TPU 尚不可用）
CPU
tf-nightly-2.0-preview
GPU
tf-nightly-gpu-2.0-preview
%%capture
!pip install -q tf-nightly-gpu-2.0-preview
# Load the TensorBoard notebook extension
# %load_ext tensorboard.notebook # For older versions
%load_ext tensorboard
照常导入 TensorBoard：
from tensorflow.keras.callbacks import TensorBoard
清理或创建用于保存日志的文件夹（运行 这行在 运行 培训 fit() 之前）
# Clear any logs from previous runs
import time
!rm -R ./logs/ # rf
log_dir="logs/fit/{}".format(time.strftime("%Y%m%d-%H%M%S", time.gmtime()))
tensorboard = TensorBoard(log_dir=log_dir, histogram_freq=1)
玩得开心 TensorBoard！ :)
%tensorboard --logdir logs/fit
Here the official colab notebook and the repo 在 github
新的 TFv2.0 alpha 版本：
CPU
!pip install -q tensorflow==2.0.0-alpha0
GPU
!pip install -q tensorflow-gpu==2.0.0-alpha0
加入@solver149 的回答，这里有一个如何在 google colab
中使用 TensorBoard 的简单示例
1.Create 图形，例如：
a = tf.constant(3.0, dtype=tf.float32)
b = tf.constant(4.0)
total = a + b
2。安装 Tensorboard
!pip install tensorboardcolab # to install tensorboeadcolab if it does not it not exist
==> 我的结果：
Requirement already satisfied: tensorboardcolab in /usr/local/lib/python3.6/dist-packages (0.0.22)
3。使用它:)
首先从 tensorboaedcolab 导入 TensorBoard（您可以使用 import* 一次导入所有内容），然后创建您的 tensorboeardcolab，然后像这样附加一个编写器：
from tensorboardcolab import *
tbc = TensorBoardColab() # To create a tensorboardcolab object it will automatically creat a link
writer = tbc.get_writer() # To create a FileWriter
writer.add_graph(tf.get_default_graph()) # add the graph
writer.flush()
==> 结果
Using TensorFlow backend.
Wait for 8 seconds...
TensorBoard link:
http://cf426c39.ngrok.io
4.Check 给定的 link :D
此示例来自 TF 指南：TensorBoard。
我今天尝试在 google colab 上展示 TensorBoard，
# in case of CPU, you can this line
# !pip install -q tf-nightly-2.0-preview
# in case of GPU, you can use this line
!pip install -q tf-nightly-gpu-2.0-preview
# %load_ext tensorboard.notebook # not working on 22 Apr
%load_ext tensorboard # you need to use this line instead
import tensorflow as tf
'################
训练
'################
# show tensorboard
%tensorboard --logdir logs/fit
这里是google做的实际例子。
https://colab.research.google.com/github/tensorflow/tensorboard/blob/master/docs/r2/get_started.ipynb
TensorBoard 适用于 Google Colab 和 TensorFlow 2.0
!pip install tensorflow==2.0.0-alpha0
%load_ext tensorboard.notebook
到目前为止我找到的最简单的方法：
使用 wget
获取 setup_google_colab.py 文件
!wget https://raw.githubusercontent.com/hse-aml/intro-to- dl/master/setup_google_colab.py -O setup_google_colab.py
import setup_google_colab
到后台的运行 tensorboard，暴露端口并点击link。
我假设您有适当的附加值可以在您的摘要中可视化，然后合并所有摘要。
import os
os.system("tensorboard --logdir=./logs --host 0.0.0.0 --port 6006 &")
setup_google_colab.expose_port_on_colab(6006)
在 运行 执行上述语句后，您将收到 link 提示，例如：
Open https://a1b2c34d5.ngrok.io to access your 6006 port
参考以下 git 以获得进一步的帮助：
https://github.com/MUmarAmanat/MLWithTensorflow/blob/master/colab_tensorboard.ipynb
当然可以，在 google colab 中使用 tensorboard 非常简单。按照以下步骤-
1) 加载张量板扩展
%load_ext tensorboard.notebook
2) 添加到keras回调
tensorboard_callback = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)
3) 启动tensorboard
%tensorboard — logdir logs
希望对您有所帮助。
此处的许多答案现已过时。我相信几周后也会是我的。但在撰写本文时，我所要做的就是 运行 来自 colab 的这些代码行。 tensorboard 打开就好了。
%load_ext tensorboard
%tensorboard --logdir logs
使用 summary_writer 在文件夹中的每个时期写入日志然后 运行 以下魔法对我有用。
%load_ext tensorboard
%tensorboard --logdir=./logs
2.0 兼容答案：是的，您可以在 Google Colab 中使用 Tensorboard。请找到下面显示完整示例的代码。
!pip install tensorflow==2.0
import tensorflow as tf
# The function to be traced.
@tf.function
def my_func(x, y):
# A simple hand-rolled layer.
return tf.nn.relu(tf.matmul(x, y))
# Set up logging.
logdir = './logs/func'
writer = tf.summary.create_file_writer(logdir)
# Sample data for your function.
x = tf.random.uniform((3, 3))
y = tf.random.uniform((3, 3))
# Bracket the function call with
# tf.summary.trace_on() and tf.summary.trace_export().
tf.summary.trace_on(graph=True, profiler=True)
# Call only one tf.function when tracing.
z = my_func(x, y)
with writer.as_default():
tf.summary.trace_export(
name="my_func_trace",
step=0,
profiler_outdir=logdir)
%load_ext tensorboard
%tensorboard --logdir ./logs/func
Google Colab 的工作副本，请参考this link. For more information, please go through this link。
试试这个，它对我有用
%load_ext tensorboard
import datetime
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])
您可以使用 google colab 的最新升级直接连接到 google colab 中的 tensorboard。
https://medium.com/@today.rafi/tensorboard-in-google-colab-bd49fa554f9b
根据文档，您需要做的是：
%load_ext tensorboard
!rm -rf ./logs/ #to delete previous runs
%tensorboard --logdir logs/
tensorboard = TensorBoard(log_dir="./logs")
然后在 fit 方法中调用即可：
model.fit(X_train, y_train, epochs = 1000,
callbacks=[tensorboard], validation_data=(X_test, y_test))
那应该给你这样的东西：
我用的是tensorflow==1.15.
%load_ext tensorboard
%tensorboard --logdir /content/logs
适合我。
/content/logs
是我在 google 驱动器中的日志路径。
还有另一种方法可以更好地控制。
来自 the official tutorial，您还可以使用：
from tensorboard import notebook
notebook.list() # View open TensorBoard instances. This is not required
然后在下一个单元格中：
# Control TensorBoard display. If no port is provided,
# the most recently launched TensorBoard is used
notebook.display(port=6006, height=1000)
截至 2022 年 5 月 22 日，在最新版本的 Colab 中。
根据我的实验，这是最佳捷径：
# Load the TensorBoard notebook extension
%load_ext tensorboard
# Directly put the log path in the logdir param
%tensorboard --logdir="vision_model/Xception/20220522-120512/"
在 Google Colab 上训练 TensorFlow 模型时，有什么方法可以使用 TensorBoard 吗？
以下是如何在 Google Colab 上内联显示模型。下面是一个显示占位符的非常简单的示例：
from IPython.display import clear_output, Image, display, HTML
import tensorflow as tf
import numpy as np
from google.colab import files
def strip_consts(graph_def, max_const_size=32):
"""Strip large constant values from graph_def."""
strip_def = tf.GraphDef()
for n0 in graph_def.node:
n = strip_def.node.add()
n.MergeFrom(n0)
if n.op == 'Const':
tensor = n.attr['value'].tensor
size = len(tensor.tensor_content)
if size > max_const_size:
tensor.tensor_content = "<stripped %d bytes>"%size
return strip_def
def show_graph(graph_def, max_const_size=32):
"""Visualize TensorFlow graph."""
if hasattr(graph_def, 'as_graph_def'):
graph_def = graph_def.as_graph_def()
strip_def = strip_consts(graph_def, max_const_size=max_const_size)
code = """
<script>
function load() {{
document.getElementById("{id}").pbtxt = {data};
}}
</script>
<link rel="import" href="https://tensorboard.appspot.com/tf-graph-basic.build.html" onload=load()>
<div style="height:600px">
<tf-graph-basic id="{id}"></tf-graph-basic>
</div>
""".format(data=repr(str(strip_def)), id='graph'+str(np.random.rand()))
iframe = """
<iframe seamless style="width:1200px;height:620px;border:0" srcdoc="{}"></iframe>
""".format(code.replace('"', '"'))
display(HTML(iframe))
"""Create a sample tensor"""
sample_placeholder= tf.placeholder(dtype=tf.float32)
"""Show it"""
graph_def = tf.get_default_graph().as_graph_def()
show_graph(graph_def)
目前，您无法 运行 Google Colab 上的 Tensorboard 服务，就像您在本地 运行 它一样。此外，您不能通过 summary_writer = tf.summary.FileWriter('./logs', graph_def=sess.graph_def) 之类的方式将整个日志导出到您的云端硬盘，以便您可以下载并在本地查看。
编辑：您可能想试试官方 %tensorboard magic，从 TensorFlow 1.13 开始可用。
在 %tensorboard 魔法存在之前，标准的方法是
实现这一点是将网络流量代理到 Colab VM 使用
ngrok. A Colab example can be found here.
这些是步骤（代码片段表示 colab 中 "code" 类型的单元格）：
在后台获取 TensorBoard 运行。
灵感来自LOG_DIR = '/tmp/log' get_ipython().system_raw( 'tensorboard --logdir {} --host 0.0.0.0 --port 6006 &' .format(LOG_DIR) )下载并解压 ngrok。
将传递给wget的 link 替换为适合您 OS 的正确下载 link。! wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip ! unzip ngrok-stable-linux-amd64.zip启动 ngrok 后台进程...
get_ipython().system_raw('./ngrok http 6006 &')...并检索 public url。 Source
! curl -s http://localhost:4040/api/tunnels | python3 -c \ "import sys, json; print(json.load(sys.stdin)['tunnels'][0]['public_url'])"
这是在 Google Colab 上执行相同 ngrok 隧道方法的更简单方法。
!pip install tensorboardcolab
那么，
from tensorboardcolab import TensorBoardColab, TensorBoardColabCallback
tbc=TensorBoardColab()
假设您使用的是 Keras：
model.fit(......,callbacks=[TensorBoardColabCallback(tbc)])
可以看原文posthere.
TensorBoard for TensorFlow 运行 在 Google Colab 上使用 tensorboardcolab。这在内部使用 ngrok 进行隧道传输。
- 安装 TensorBoardColab
!pip install tensorboardcolab
- 创建一个 tensorboardcolab 对象
tbc = TensorBoardColab()
这会自动创建一个可以使用的 TensorBoard link。此 Tensorboard 正在读取“./Graph”
中的数据- 创建指向此位置的 FileWriter
summary_writer = tbc.get_writer()
tensorboardcolab 库具有 returns FileWriter 对象指向上方 './Graph' 位置的方法。
- 使用summary_writer对象 开始向“./Graph”位置的事件文件添加摘要信息
您可以添加标量信息或图形或直方图数据。
我使用 google 驱动器的备份和同步 https://www.google.com/drive/download/backup-and-sync/。在训练期间定期保存在我的 google 驱动器中的事件文件会自动同步到我自己计算机上的文件夹中。我们称此文件夹为 logs。要访问 tensorboard 中的可视化，我打开命令提示符，导航到同步的 google 驱动器文件夹，然后键入：tensorboard --logdir=logs.
因此，通过自动将我的驱动器与我的计算机同步（使用备份和同步），我可以像在自己的计算机上训练一样使用 tensorboard。
编辑： 这是一个可能有用的笔记本。 https://colab.research.google.com/gist/MartijnCa/961c5f4c774930f4bdd32d51829da6f6/tensorboard-with-google-drive-backup-and-sync.ipynb
我尝试了但没有得到结果但是当如下使用时，得到了结果
import tensorboardcolab as tb
tbc = tb.TensorBoardColab()
在此之后从输出中打开 link。
import tensorflow as tf
import numpy as np
显式创建一个 Graph 对象
graph = tf.Graph()
with graph.as_default()
完整示例：
with tf.name_scope("variables"):
# Variable to keep track of how many times the graph has been run
global_step = tf.Variable(0, dtype=tf.int32, name="global_step")
# Increments the above `global_step` Variable, should be run whenever the graph is run
increment_step = global_step.assign_add(1)
# Variable that keeps track of previous output value:
previous_value = tf.Variable(0.0, dtype=tf.float32, name="previous_value")
# Primary transformation Operations
with tf.name_scope("exercise_transformation"):
# Separate input layer
with tf.name_scope("input"):
# Create input placeholder- takes in a Vector
a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")
# Separate middle layer
with tf.name_scope("intermediate_layer"):
b = tf.reduce_prod(a, name="product_b")
c = tf.reduce_sum(a, name="sum_c")
# Separate output layer
with tf.name_scope("output"):
d = tf.add(b, c, name="add_d")
output = tf.subtract(d, previous_value, name="output")
update_prev = previous_value.assign(output)
# Summary Operations
with tf.name_scope("summaries"):
tf.summary.scalar('output', output) # Creates summary for output node
tf.summary.scalar('product of inputs', b, )
tf.summary.scalar('sum of inputs', c)
# Global Variables and Operations
with tf.name_scope("global_ops"):
# Initialization Op
init = tf.initialize_all_variables()
# Collect all summary Ops in graph
merged_summaries = tf.summary.merge_all()
# Start a Session, using the explicitly created Graph
sess = tf.Session(graph=graph)
# Open a SummaryWriter to save summaries
writer = tf.summary.FileWriter('./Graph', sess.graph)
# Initialize Variables
sess.run(init)
def run_graph(input_tensor):
"""
Helper function; runs the graph with given input tensor and saves summaries
"""
feed_dict = {a: input_tensor}
output, summary, step = sess.run([update_prev, merged_summaries, increment_step], feed_dict=feed_dict)
writer.add_summary(summary, global_step=step)
# Run the graph with various inputs
run_graph([2,8])
run_graph([3,1,3,3])
run_graph([8])
run_graph([1,2,3])
run_graph([11,4])
run_graph([4,1])
run_graph([7,3,1])
run_graph([6,3])
run_graph([0,2])
run_graph([4,5,6])
# Writes the summaries to disk
writer.flush()
# Flushes the summaries to disk and closes the SummaryWriter
writer.close()
# Close the session
sess.close()
# To start TensorBoard after running this file, execute the following command:
# $ tensorboard --logdir='./improved_graph'
还有一个替代解决方案，但我们必须使用 TFv2.0 预览版。因此，如果您没有迁移问题，请尝试以下操作：
为 GPU 或 CPU 安装 tfv2.0（TPU 尚不可用）
CPU
tf-nightly-2.0-preview
GPU
tf-nightly-gpu-2.0-preview
%%capture
!pip install -q tf-nightly-gpu-2.0-preview
# Load the TensorBoard notebook extension
# %load_ext tensorboard.notebook # For older versions
%load_ext tensorboard
照常导入 TensorBoard：
from tensorflow.keras.callbacks import TensorBoard
清理或创建用于保存日志的文件夹（运行 这行在 运行 培训 fit() 之前）
# Clear any logs from previous runs
import time
!rm -R ./logs/ # rf
log_dir="logs/fit/{}".format(time.strftime("%Y%m%d-%H%M%S", time.gmtime()))
tensorboard = TensorBoard(log_dir=log_dir, histogram_freq=1)
玩得开心 TensorBoard！ :)
%tensorboard --logdir logs/fit
Here the official colab notebook and the repo 在 github
新的 TFv2.0 alpha 版本：
CPU
!pip install -q tensorflow==2.0.0-alpha0
GPU
!pip install -q tensorflow-gpu==2.0.0-alpha0
加入@solver149 的回答，这里有一个如何在 google colab
中使用 TensorBoard 的简单示例1.Create 图形，例如：
a = tf.constant(3.0, dtype=tf.float32)
b = tf.constant(4.0)
total = a + b
2。安装 Tensorboard
!pip install tensorboardcolab # to install tensorboeadcolab if it does not it not exist
==> 我的结果：
Requirement already satisfied: tensorboardcolab in /usr/local/lib/python3.6/dist-packages (0.0.22)
3。使用它:)
首先从 tensorboaedcolab 导入 TensorBoard（您可以使用 import* 一次导入所有内容），然后创建您的 tensorboeardcolab，然后像这样附加一个编写器：
from tensorboardcolab import *
tbc = TensorBoardColab() # To create a tensorboardcolab object it will automatically creat a link
writer = tbc.get_writer() # To create a FileWriter
writer.add_graph(tf.get_default_graph()) # add the graph
writer.flush()
==> 结果
Using TensorFlow backend.
Wait for 8 seconds...
TensorBoard link:
http://cf426c39.ngrok.io
4.Check 给定的 link :D
此示例来自 TF 指南：TensorBoard。
我今天尝试在 google colab 上展示 TensorBoard，
# in case of CPU, you can this line
# !pip install -q tf-nightly-2.0-preview
# in case of GPU, you can use this line
!pip install -q tf-nightly-gpu-2.0-preview
# %load_ext tensorboard.notebook # not working on 22 Apr
%load_ext tensorboard # you need to use this line instead
import tensorflow as tf
'################
训练
'################
# show tensorboard
%tensorboard --logdir logs/fit
这里是google做的实际例子。 https://colab.research.google.com/github/tensorflow/tensorboard/blob/master/docs/r2/get_started.ipynb
TensorBoard 适用于 Google Colab 和 TensorFlow 2.0
!pip install tensorflow==2.0.0-alpha0
%load_ext tensorboard.notebook
到目前为止我找到的最简单的方法：
使用 wget
获取 setup_google_colab.py 文件!wget https://raw.githubusercontent.com/hse-aml/intro-to- dl/master/setup_google_colab.py -O setup_google_colab.py
import setup_google_colab
到后台的运行 tensorboard，暴露端口并点击link。
我假设您有适当的附加值可以在您的摘要中可视化，然后合并所有摘要。
import os
os.system("tensorboard --logdir=./logs --host 0.0.0.0 --port 6006 &")
setup_google_colab.expose_port_on_colab(6006)
在 运行 执行上述语句后，您将收到 link 提示，例如：
Open https://a1b2c34d5.ngrok.io to access your 6006 port
参考以下 git 以获得进一步的帮助：
https://github.com/MUmarAmanat/MLWithTensorflow/blob/master/colab_tensorboard.ipynb
当然可以，在 google colab 中使用 tensorboard 非常简单。按照以下步骤-
1) 加载张量板扩展
%load_ext tensorboard.notebook
2) 添加到keras回调
tensorboard_callback = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)
3) 启动tensorboard
%tensorboard — logdir logs
希望对您有所帮助。
此处的许多答案现已过时。我相信几周后也会是我的。但在撰写本文时，我所要做的就是 运行 来自 colab 的这些代码行。 tensorboard 打开就好了。
%load_ext tensorboard
%tensorboard --logdir logs
使用 summary_writer 在文件夹中的每个时期写入日志然后 运行 以下魔法对我有用。
%load_ext tensorboard
%tensorboard --logdir=./logs
2.0 兼容答案：是的，您可以在 Google Colab 中使用 Tensorboard。请找到下面显示完整示例的代码。
!pip install tensorflow==2.0
import tensorflow as tf
# The function to be traced.
@tf.function
def my_func(x, y):
# A simple hand-rolled layer.
return tf.nn.relu(tf.matmul(x, y))
# Set up logging.
logdir = './logs/func'
writer = tf.summary.create_file_writer(logdir)
# Sample data for your function.
x = tf.random.uniform((3, 3))
y = tf.random.uniform((3, 3))
# Bracket the function call with
# tf.summary.trace_on() and tf.summary.trace_export().
tf.summary.trace_on(graph=True, profiler=True)
# Call only one tf.function when tracing.
z = my_func(x, y)
with writer.as_default():
tf.summary.trace_export(
name="my_func_trace",
step=0,
profiler_outdir=logdir)
%load_ext tensorboard
%tensorboard --logdir ./logs/func
Google Colab 的工作副本，请参考this link. For more information, please go through this link。
试试这个，它对我有用
%load_ext tensorboard
import datetime
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])
您可以使用 google colab 的最新升级直接连接到 google colab 中的 tensorboard。
https://medium.com/@today.rafi/tensorboard-in-google-colab-bd49fa554f9b
根据文档，您需要做的是：
%load_ext tensorboard
!rm -rf ./logs/ #to delete previous runs
%tensorboard --logdir logs/
tensorboard = TensorBoard(log_dir="./logs")
然后在 fit 方法中调用即可：
model.fit(X_train, y_train, epochs = 1000,
callbacks=[tensorboard], validation_data=(X_test, y_test))
那应该给你这样的东西：
我用的是tensorflow==1.15.
%load_ext tensorboard
%tensorboard --logdir /content/logs
适合我。
/content/logs
是我在 google 驱动器中的日志路径。
还有另一种方法可以更好地控制。
来自 the official tutorial，您还可以使用：
from tensorboard import notebook
notebook.list() # View open TensorBoard instances. This is not required
然后在下一个单元格中：
# Control TensorBoard display. If no port is provided,
# the most recently launched TensorBoard is used
notebook.display(port=6006, height=1000)
截至 2022 年 5 月 22 日，在最新版本的 Colab 中。
根据我的实验，这是最佳捷径：
# Load the TensorBoard notebook extension
%load_ext tensorboard
# Directly put the log path in the logdir param
%tensorboard --logdir="vision_model/Xception/20220522-120512/"