Проверить модели в TensorBoard
Для мониторинга моделей в сервисе используется утилита TensorBoard. Этот инструмент позволяет отслеживать определенные показатели (например, потери и точность), визуализировать графики для модели, просматривать логи обучения нейронных сетей и др. Подробная документация по использованию TensorBoard для фреймворка TensorFlow приведена по следующей ссылке, а для фреймворка PyTorch — на данном сайте. Чтобы использовать утилиту, достаточно сохранить информацию, которую необходимо увидеть в TensorBoard, в отдельный каталог, как указано по ссылкам выше.
Для первого подключения утилиты
Перейдите на вкладку Jupyter Servers в главном меню модуля Environments.
Создайте или подключитесь к уже существующему Jupyter Server.
В открывшемся интерфейсе Jupyter Notebook выберите
.В качестве каталога укажите тот, куда сохраняются логи.
Также можно подключить TensorBoard, установив флажок в строке напротив каталога, куда сохранялись логи, и нажав Tensorboard на панели инструментов. Работа с TensorBoard также возможна из JupyterLab. Запустите утилиту из меню: .
Запуск TensorBoard может занимать до 60 секунд.
Для повторного подключения к TensorBoard
Перейдите на вкладку
.Выберите TensorBoard из списка для открытия утилиты в нужном каталоге (указана в столбце Директория).
Нажмите Открыть TensorBoard.

Важно
Должна быть установлена версия Tensorflow 1.3 или выше.
Утилита открывается в новой вкладке. Убедитесь, что браузер не заблокировал открытие вкладки.
Экземпляр TensorBoard привязан к конкретному Jupyter Server. Если вы удалите Jupyter Server, удалится и TensorBoard, поскольку работает на тех же ресурсах.
Чтобы настроить автоматическое обновление данных на графиках (версия TensorBoard > 2.3), зайдите в меню и выберите опцию Reload data.
Основная функциональность TensorBoard
Просмотр логов обучения
Просмотр графа нейросети
Просмотр того, как изменяется распределение весов на каждом слое