1. 前言

想在Kaggle上使用Tensorboard，找了一圈。
参考了Kaggle上的一个Code：Tensorboard on Kaggle
但发现有些变化，Code中用到的内网穿透工具Ngrok需要加一个Token，所以需要注册一个Ngrok账号，免费获取一个通道的Token。

2. Kaggle上使用Tensorboard

2.1. 方法一

其实直接把在Kaggle上跑出来的Tensorboard日志文件下载到本地，在本地启动Tensorboard即可查看。
当然，这里主要讲在线的方法。

2.2. 方法二

在线使用Tensorboard

2.2.1. 获取一个Ngrok的免费通道

访问Ngrok，注册一个账号并登录
登录后界面如下，复制并保存你的Token

2.2.2. 调试运行代码

主要参考Kaggle上的一个Code：Tensorboard on Kaggle
建议分段运行，以避免中间出错，全部重新运行一次
以下代码在Kaggle的Notebook中运行

(1) 环境准备

python

import tensorflow as tf # This is how we import tf

python

# Clear any logs from previous runs
# 清除以前运行的所有日志
!rm -rf ./logs/ 
!mkdir ./logs/

(2) 启动Tensorboard

python

# Download Ngrok to tunnel the tensorboard port to an external port
# 下载 Ngrok 以将 tensorboard 端口隧道传输到外部端口
!wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip
!unzip ngrok-stable-linux-amd64.zip

python

# 添加自己在 Ngrok 上获取的专属Token
!./ngrok authtoken 粘贴你的专属Token

注意这一步需要添加自己在 Ngrok 上获取的专属Token

python

# Run tensorboard as well as Ngrok (for tunneling as non-blocking processes)
# 运行 tensorboard 和 Ngrok（用于作为非阻塞进程的隧道）
import os
import multiprocessing

pool = multiprocessing.Pool(processes = 10)
# --logdir ./logs/ 是 TensorBoard 的日志文件（log）路径
# 你可以修改为你训练时的log保存路径(可以用绝对/相对路径)，但相关的代码路径也要记得修改
results_of_processes = [pool.apply_async(os.system, args=(cmd, ), callback = None )
                        for cmd in [
                        f"tensorboard --logdir ./logs/ --host 0.0.0.0 --port 6006 &",
                        "./ngrok http 6006 &"
                        ]]

获取访问 Tensorload 的URL，访问生成的URL即可看到 Tensorload 界面
但还没有产生日志文件，所以现在还看不到有图形

python

! curl -s http://localhost:4040/api/tunnels | python3 -c \
    "import sys, json; print(json.load(sys.stdin)['tunnels'][0]['public_url'])"

(3) 创建和训练模型

python

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

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')
  ])

python

import datetime
model = create_model()
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)

model.fit(x=x_train, 
          y=y_train, 
          epochs=10, 
          validation_data=(x_test, y_test), 
          callbacks=[tensorboard_callback])

产生日志文件后，就可以在打开的 Tensorboard 界面点击刷新，看到实时训练趋势了

到底了

栏目列表