TensorBoard引起的AttributeError: ‘Sequential‘ object has no attribute ‘run_eagerly‘问题

目录

报错提示：

原因：

解决：

拓展：

---

报错提示：

AttributeError: 'Sequential' object has no attribute 'run_eagerly'
 

原因：

创建TensorBoard对象的写法有误

错误写法：

tb_Tensorboard=tf.keras.callbacks.TensorBoard(）

前提：你导入tensorflow包的写法可能是这样： 

import tensorflow as tf

 注意：这里完全不需要tensorflow介入，我当时出这个问题时查资料，有一些博文都说什么keras版本和tensorflow版本冲突，跟这个没啥关系

 

解决：

正确写法：

tb_Tensorboard=TensorBoard()

注意：如果你的tensorflow和tensorboard版本不一致，我当时用的tensorflow是2.0.0，tensorboard是2.0.2，这样会导致tensorboard中有些参数用不了，例如：weight_grads，不过即便你写上去了 pycharm也只是给个警告，也不会影响你其他参数

 

拓展：

1、你找的大多数参数写法或者可视化后的图像可能都是基于epoch而生成的，即每个epoch对应的acc/val_acc/loss/val_loss/……，但对于我们学生党而言，在数据量较大的前提下，当batch_size到你的极限（我最大也就128），在比较浅层的网络里完成一次epoch可能也要近10分钟，如果你配置高当我没说，所以我们的epoch不会设置的太大，这时候可视化的图像可参考的数据非常少，你epoch为N，每组得到的数据也就是N个，几乎没有参考价值，不过不用担心，TensorBoard帮你想到了这个问题，它里边有一个参数：update_fre，这个参数你如果不赋值，默认是'epoch'，他还可以设置成'batch'，顾名思义，这时候你可视化的图像横坐标就是每次迭代（每次batch_size）对应的acc/val_acc/loss/val_loss/……，这样数据量瞬间上来了，他还能设置为一个整数，其含义同理。

2、第二个需要注意的参数是：histogram_fre，他设为1表示会把一些直方图写入文件，反之，设为0，……。要说明的是，如果你觉得可以牺牲一点训练时间，后面会用到直方图进行数据分析，那你最终生成的那个文件就会很大；如果那个直方图对你用处不大，你大可设置为0，因为，其区别就是有无直方图，对我们最关键的最有帮助的那些参数该有的都会有，包括模型结构图，都会有，所以，看你自己权衡。