GPU云服务器+tensorboard

流程如下:

python test.py（完整代码在附录，数据集会由代码自动下载，不用担心）

运行后会自动生成model文件夹

#--------------------------------------------------

tensorboard --logdir=./model

得到:

http://ubuntu19:6007/

#--------------------------------------------------

内网穿透来模仿云端服务器的环境:

./ngrok http 6007

这里的端口要与tensorboard给的端口一致。

#--------------------------------------------------

浏览器打开

http://5ec1c84d.ngrok.io/(这个链接来自上方ngrok给的链接)

即可.

最后结果如下:

#--------------------------------------------------------------------------------------------------

补充说下像深脑链的GPU服务器是不行的，因为它除了提供连接用的端口以外，

没有其他端口供tensorboard显示使用，因此是无法在浏览器远程访问tensorboard的。

#---------------------------------------------------------附录---------------------------------------------------------------------------------------

test.py

​
import numpy as np
 
from keras.models import Sequential  # 采用贯序模型
from keras.layers import Input, Dense, Dropout, Activation,Conv2D,MaxPool2D,Flatten
from keras.optimizers import SGD
from keras.datasets import mnist
from keras.utils import to_categorical
from keras.callbacks import TensorBoard
 
 
 
def create_model():
    model = Sequential()
    model.add(Conv2D(32, (5,5), activation='relu', input_shape=[28, 28, 1])) #第一卷积层
    model.add(Conv2D(64, (5,5), activation='relu'))                          #第二卷积层
    model.add(MaxPool2D(pool_size=(2,2)))                                    #池化层
    model.add(Flatten())                                                     #平铺层
    model.add(Dropout(0.5))
    model.add(Dense(128, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(10, activation='softmax'))
    return model
 
def compile_model(model):
    #sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) # 优化函数，设定学习率（lr）等参数 
    model.compile(loss='categorical_crossentropy', optimizer="adam",metrics=['acc']) 
    return model
 
def train_model(model,x_train,y_train,batch_size=128,epochs=10):
 
    #构造一个tensorboard类的对象
    #tbCallBack = TensorBoard(log_dir="./model", histogram_freq=1, write_graph=True, write_images=True,update_freq="epoch")
    
    tbCallBack = TensorBoard(log_dir="./model", histogram_freq=1,write_grads=True)
    history=model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, shuffle=True, verbose=2, validation_split=0.2,callbacks=[tbCallBack])
    return history,model
 
 
 
if __name__=="__main__":
    (x_train,y_train),(x_test,y_test) = mnist.load_data()  #mnist的数据我自己已经下载好了的
    print(np.shape(x_train),np.shape(y_train),np.shape(x_test),np.shape(y_test))
 
    x_train=np.expand_dims(x_train,axis=3)
    x_test=np.expand_dims(x_test,axis=3)
    y_train=to_categorical(y_train,num_classes=10)
    y_test=to_categorical(y_test,num_classes=10)
    print(np.shape(x_train),np.shape(y_train),np.shape(x_test),np.shape(y_test))
 
    model=create_model()
    model=compile_model(model)
    history,model=train_model(model,x_train,y_train)

​

符号意义列表

注意事项:

出现显存占满、而GPU利用率为0的情况，经查阅官方文档得知“在GPU上，tf.Variable操作只支持实数型（float16 float32 double）的参数。不支持整数型参数”

通过allow_soft_placement参数自动将无法把GPU上的操作放回CPU上