机器学习可视化

机器学习可视化是指通过图表、图形和其他视觉元素来呈现和交互机器学习的过程。

在可视化之前人工智能机器学习的内部工作原理是神秘的、错综复杂的、难以理解的，基于可视化可以有效地跨域理解的鸿沟，可以帮助数据科学家、机器学习工程师和决策者更好地理解模型的复杂算法与数据模式、识别潜在的问题、检测模型的性能，基于这些理解进一步地改进机器学习过程。

有哪些机器学习元素可以可视化呢？

- 模型结构：决策过程层次化

- 特征权重：了解主要影响预测的因素、增强决策制定、优化输入空间

- 超参数调优：在网格搜索过程中发现不同超参数对模型性能和属性的影响

- 性能指标：哪种样本是可靠的、错误的结论的频率、模型的有效性

TensorBoard

两大主流深度学框架的选择：

TensorBoard是有Tensorflow框架中的可视化工具包，有意思的是Pytorch并没有自己开发而是选择集成TensorBoard（torch.utils.tensorboard）

TensorBoard 的部署支持本地或远程，基于浏览器显示交互界面，还可以在Notebkook与Colab中运行使用。

核心功能

显示学习曲线：绘制一个或多个的时序数据标量，例如损失率、准确率等，支持分epoch显示。

显示模型架构：查看底层模块、理解现有模型和验证模型图

显示数据：支持图像、音频、文本、3D、多维数据

显示参数：提供权重、偏置分布直方图

显示超参数：跟踪实验及其对应的超参数与结果

显示模型训练性能：显示性能剖析期间 CPU 和 GPU 上发生的不同事件的时间线