可视化ML实验数据：谷歌推出免费托管服务，TensorBoard.dev可在线一键共享

【新智元导读】谷歌推出TensorBoard，一种全新的在线分享机器学习实验结果平台。TensorFlow的可视化工具包TensorBoard经常被研究人员和工程师用来可视化和理解他们的ML实验。它将帮助您监视指标，可视化模型，ML程序分析，可视化超参数调整实验等。TensorBoard.dev是一项托管服务，只需上传您的TensorBoard日志并获得一个链接，任何人都可以查看该链接，而无需安装或设置。

一图胜千言。可视化是阅读并理解实验结果非常有效的手段之一。用过TensorFlow不能不知道一个叫做TensorBoard的可视化工具包，它能够帮助科研人员监视指标，可视化模型，ML程序分析，可视化超参数调整实验等。

不过，可视化只是简化工作的一个步骤而已。我们知道，很多机器学习实验都不是单枪匹马能够完成的，往往涉及到多人协作。如果是在一个实验室或者办公室，大家可以聚集在一个电脑屏幕上看可视化结果即可。然而，很多情况下也会涉及到远程协作。

这个时候，人们没办法像Google Docs那样方便的进行协同合作，通常只能通过截屏或者录屏，效率低下，而且也很难捕获所有详细信息。

极具共享精神的Google，怎么可以容忍这种事情发生呢？于是就有了TensorBoard.dev。

TensorBoard.dev是一项托管服务，可以为用户轻松地进行免费的托管、跟踪和共享机器学习实验。你需要做的，只是上传你的TensorBoard日志，之后会获得一个分享链接。

任何人都可以通过该链接查看实验结果，而无需进行任何安装或设置。目前该功能还处在预览阶段。

这款新工具除了可以在线直接查看结果外，Google的开发人员也希望通过TensorBoard.dev更多的功能，例如在“使用统一的文本到文本Transfer探索迁移学习的限制”一文探讨了使用文本到文本模型和一些任务的最新结果的NLP迁移学习。下面这个TensorBoard.dev示例显示了“预训练数据集”的基线训练结果：

TensorFlow Models存储库的BERT模型预训练任务：

TensorFlow.js强化学习示例包括指向相应TensorBoard的链接：

安装流程

第一步是确定你要共享的TensorBoard日志。请注意，你上传的TensorBoard是公开的，因此请勿上传敏感数据。

确保TensorBoard是最新版：

pip install -U tensorboard

之后

tensorboard dev upload --logdir {logs}

按照说明使用你的Google帐户进行身份验证之后，将在TensorBoard.dev中提供链接。你甚至可以在上传过程中立即查看TensorBoard。上传程序将继续运行并上传出现在日志目录中的新日志，直到你停止该过程为止。

每个人都可以打开TensorBoard.dev链接，因此可以随时使用它，在GitHub或Stack Overflow上提供建议或直接跟踪实验而无需在本地打开TensorBoard。需要一个Google帐户来上传日志，但不需要查看TensorBoard。

其他几个命令可用于列出，删除或导出实验。你可以使用tensorboard dev-help命令了解更多信息。当前，每个用户最多只能有1000万个数据点，超出后上传会报错。

你可以在此处找到在Colab中运行的端到端教程：

https://colab.research.google.com/github/tensorflow/tensorboard/blob/master/docs/tbdev_getting_started.ipynb

虽然教程显示了如何使用通过Keras的.fit（）创建的TensorBoard日志，但是你可以使用通过基于GradientTape的训练循环创建的日志（如TensorBoard的Scalars教程中所示）或任何其他有效的TensorBoard日志。

未来计划

TensorBoard.dev正在预览中，当前仅包含TensorBoard的Scalars仪表板。我们将增加TensorBoard的更多功能，并扩展共享功能。我们正在探索一些想法，以使发现已发布的有趣TensorBoards更容易。