TensorWatch: библиотека для мониторинга и визуализации моделей

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


TensorWatch — это инструмент для отладки и визуализации процесса обучения моделей. Библиотека была разработана Microsoft Research. Основной функционал инструмента — мониторинг процесса обучения моделей в режиме реального времени в Jupyter Notebook.

TensorWatch in Jupyter Notebook
Пример работы библиотеки

TensorWatch был позволяет кастомизировать то, какую часть модели и как пользователь хочет визуализировать, и создавать дашборды. Помимо стандартного логгирования, с помощью библиотеки можно отправлять запросы в модель, которая обучается, и получать результат запроса в формате потока ответов (Lazy Logging Mode). TensorWatch позволяет пользоваться несколькими методами для объяснения предсказаний модели, включая Lime.

Библиотека сейчас в разработке, но первую версию уже можно протестировать. TensorWatch поддерживает Python 3.x и был протестирован на PyTorch 0.4-1.x. Большинство методов должны работать и для eager вычислений в TensorFlow. TensorWatch поддерживает разные виды визуализаций: график прямой, пайчарт, гистограмма, график рассеяния и 3D версии многих графиков.

t-SNE visualization for MNIST
Использование t-SNE в TensorWatch

Как это работает

Когда пользователь записывает TensorWatch поток, значения сериализируются и отправляются в TCP/IP сокет и записываются в указанный файл. Из Jupyter Notebook ранее логированные значения читаются из файла и прослушивается TCP/IP сокет, чтобы вытаскивать будущие значение. Визуализатор слушает поток и обрабатывает значения, когда они поступают.  

Почти все в TensorWatch представляется в виде потоков: файлы, сокеты, консоли и визуализаторы. Поток может слушать другие потоки, что позволяет создавать data flow граф.

В открытом доступе лежат официальные тьюториалы и ноутбуки с примерами.


Источник: neurohive.io

Комментарии: