Google will mit dem TensorBoard API die Erstellung von Custom-Visualisierungsplugins fördern

TensorBoard API – eigene Machine-Learning-Visualisierungen erstellen
Kommentare

Google spendiert seiner Machine-Learning-Plattform TensorFlow ein neues Set APIs zur Visualisierung von Machine-Learning-Modellen. TensorBoard soll zudem das Erstellen von eigenen Visualisierungsplugins vereinfachen.

Als Googles Machine-Learning-Plattform TensorFlow 2015 Open Source gestellt wurde, enthielt es die TensorBoard-Suite, um TensorFlow-Modelle zu visualisieren. Die verfügbaren Visualisierungsmöglichkeiten erwiesen sich jedoch als zu generisch und komplex, auch weil wiederverwendbare APIs fehlten. Nach zwei Jahren ergänzt das Google-Team TensorBoard deshalb um ein neues Set von APIs. Es soll Entwickler in die Lage versetzen, TensorBoard personalisierte Visualisierungsplugins für verschiedenste Use Cases hinzuzufügen.

TensorBoard API – Visualisierungen per Custom-Plugin

Dazu wurden die bisher verfügbaren Dashboard (Tabs) von TensorBoard aktualisiert und für die Verwendung der neuen APIs fit gemacht. Gleichzeitig sollen sie als Beispiel für alle dienen, die selbst Visualisierungsplugins erstellen möchten. Einen Überblick der bereits verfügbaren Plugins gibts im Plugin-Directory auf GitHub.

© Google

Ein TensorBoard-Plugin ist wie folgt aufgebaut:

  • ein TensorFlow-Summary-Op, mit dem Daten für die spätere Visualisierung gesammelt werden [GitHub]
  • ein Python-Backend, das Custom-Data ausliefert [GitHub]
  • ein Dashboard innerhalb von TensorBoard, das mit TypeScript und Polymer gebaut wurde [GitHub]

Wer tiefer in die Materie einsteigen möchte, dem sei das “pr_curves”-Plugin ans Herz gelegt. Die darin enthaltene Demo veranschaulicht die Funktionsweise und erklärt, wie das Plugin so verwenden ist. Noch mehr „Lernstoff“ gibt’s im “Greeter”-Plugin, das während Machine-Learning-Trainingsläufen typische „Hello“-Begrüßungen in Strings sammelt und visualisiert. Google lädt dazu ein, sich dieses und andere Plugins genauer anzuschauen und zu forken.

Noch mehr Handfestes bietet Beholder von Chris Anderson. Hier lässt sich das TensorBoard-API in Action erleben, genauer gesagt eine Live-Visualisierung von Gradient- und Convolution-Filtern im Rahmen eines ML-Trainingsmodells.

Wer zum TensorBoard Repository beitragen möchte, sollte zunächst mit Google über den Issue Tracker in Kontakt treten. Viel Spaß beim Visualisieren!

Unsere Redaktion empfiehlt:

Relevante Beiträge

Meinungen zu diesem Beitrag

X
- Gib Deinen Standort ein -
- or -