El ecosistema TensorFlow¶
El ecosistema TensorFlow incluye muchas herramientas y bibliotecas, mencionaremos las principales:
TensorBoard: es un conjunto de aplicaciones web para inspeccionar, visualizar y comprender las ejecuciones y gráficos de TensorFlow. Podemos usar TensorBoard para ver los gráficos del modelo TensorFlow y acercar los detalles de las subsecciones.
Puede trazar métricas como la pérdida y la precisión durante una ejecución de entrenamiento; mostrar las visualizaciones del histograma de cómo un tensor está cambiando con el tiempo; mostrar datos adicionales, como imágenes; recopilar metadatos de tiempo de ejecución para una ejecución, como el uso total de la memoria y las formas del tensor para los nodos.
TensorBoard funciona leyendo los archivos de TensorFlow que contienen información resumida sobre el proceso de capacitación. Puede generar estos archivos cuando ejecuta trabajos de TensorFlow.
Puede usar TensorBoard para comparar ejecuciones de entrenamiento, recopilar estadísticas de tiempo de ejecución y generar histogramas.
Una característica particularmente fascinante de TensorBoard es su visualizador de incrustaciones. Las incrustaciones son omnipresentes en el aprendizaje automático, y en el contexto de TensorFlow, a menudo es natural ver los tensores como puntos en el espacio, por lo que casi cualquier modelo de TensorFlow dará lugar a varias incrustaciones.
Datalab: Jupyter notebooks es una manera fácil de explorar interactivamente los datos, definir modelos TensorFlow e iniciar entrenamientos. Utilizando herramientas y productos de Google Cloud Platform como parte del flujo de trabajo, tal vez usando Google Cloud Storage o BigQuery para conjuntos de datos, o Apache Beam para preprocesamiento de datos, entonces Google Cloud Datalab proporciona un entorno basado en Jupyter con todas estas herramientas (y otros como NumPy, pandas, scikit-learn y Matplotlib), junto con TensorFlow, preinstalados y agrupados. Datalab es de código abierto.
Facets: El poder del aprendizaje de máquinas proviene de su capacidad de aprender patrones a partir de grandes cantidades de datos, por lo que comprender sus datos puede ser fundamental para construir un poderoso sistema de aprendizaje automático. Facets es una herramienta de visualización de datos de código abierto recientemente lanzada que ayuda a comprender sus conjuntos de datos de aprendizaje automático y obtener una idea de la forma y características de cada característica y ver de un vistazo cómo interactúan las características entre sí. Por ejemplo, puede ver sus conjuntos de datos de entrenamiento y prueba.
Otra herramienta de diagnóstico útil es el depurador TensorFlow , tfdbg , que permite ver la estructura interna y los estados de ejecución de los gráficos TensorFlow durante el entrenamiento y la inferencia.
Hay muchas otras herramientas y bibliotecas repositorios org de TensorFlow GitHub para conocerlos.