创建Tensorboard

TensorBoard是一个可视化工具，能够有效地展示TensorFlow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。TensorBoard当前只支持基于TensorFlow引擎的训练作业。同一个用户的多个项目，创建Tensorboard任务数不能超过5个。TensorBoard相关概念请参考TensorBoard官网。

对于采用AI引擎为TensorFlow的训练作业，您可以使用模型训练时产生的Summary文件来创建TensorBoard作业，将需要展示的指标及数据信息写入到Context.get("tensorboard_path")路径下，示例代码如下：

import tensorflow as tf
from naie.context import Context
with tf.name_scope('graph') as scope:    
    matrix1 = tf.constant([[3., 3.]],name ='matrix2')
    matrix2 = tf.constant([[2.],[2.]],name ='matrix3')
    product = tf.matmul(matrix1, matrix2,name='product') 
sess = tf.Session()
writer = tf.summary.FileWriter(Context.get("tensorboard_path"), sess.graph)
init = tf.global_variables_initializer()
sess.run(init)

创建Tensorboard方式：

• 创建训练任务的时候同步创建Tensorboard
• 在模型训练工程代码编辑界面控制台的Tensorboard页签中创建Tensorboard
• 新建模型训练工程，创建训练任务后，在任务详情的Tensorboard页签中创建Tensorboard
• 配置训练任务时，AI引擎选择PyTorch后可以创建TensorBoard

此处以在训练任务详情的Tensorboard页签中创建Tensorboard为例进行介绍，操作步骤如下。

1. 在新建模型训练工程的训练任务界面中，单击训练任务右侧的，进入训练任务详情页面。
2. 在训练任务详情页面，选择“Tensorboard”页签，单击“创建”，完成TensorBoard任务的创建。如图1所示。
   图1 TensorBoard界面
   
   TensorBoard任务创建后，训练任务界面新增TensorBoard状态展示，如图2所示。

   图2 TensorBoard状态
   

3. 单击页面上方账号信息区域，在下拉菜单中选择“TensorBoard”，可对当前创建的TensorBoard环境进行管理，如删除TensorBoard环境，以及单击环境名，跳转到相应训练任务。