在这一集的云AI冒险中，我们找到了怎么使用TensorBoard 来视觉化你的模型并且修复问题。
feed into 注入
come out 出现
当你看到问题具体是什么的时候，你的问题修复就会相当简单。但是大量的训练数据会进入一个复杂的模型。那样会更加的复杂。谢天谢地，TensorBoard 把这些东西简化了。
不像传统的编程，机器学习会有很多的不可预测性。你数据的质量，伴随着我们模型细微的差别，包括许多必须选择的参数，在训练过程中成功或者失败都会受其一定范围的影响。
Use TensorBoard to find the gaps
如果有一种方式可以通过训练来跟踪这种韵律，并且他们是可以通过我们结构化创建的，这将使我们能够调整模型并且修复我们看到的任何问题。
现在这个抽象的过程很难被视觉化呈现，但是很幸运，TensorFlow内置这些解决方案。
让我们看看TensorBoard，TensorFlow 内置的可视化模型，这可以让你做很多的事情，从观察你模型的结构到查看训练过程。
TensorFlow 在背后使用了计算图形的方法：
2+3=5
这意味着它们不是传统意义上将两者相加，它构造了一个add操作符，并将其相加在一起作为输入。
abstraction 抽象
graph 图表
complexity 复杂性
因此当我们在思考TensorFlow在训练你模型的时候，它就在执行你图形里面的任何东西。TensorBoard 可以视觉化这些图形，所以你能看到看门的样子，并且更重要的是，你已经确保了你所想的样子来组装这些东西。
这里有一个例子以及复杂的版本来通过TensorFlow呈现视觉化。TensorBoard 允许我们缩放，pan 和 扩展元素来查看更多细节。这意味着我们可以看到模型抽象的不同层级，它能够帮助我们减少视觉复杂化。
preconfigure 预配置
然而，TensorBoard 不仅仅显示模型结构，它同样在一个图表中展示这些韵律进展。通常情况下，我们会描绘出精准性(accuracy)、丢失(loss)、互熵(cross-enteropy)、以及更多。这取决于模型，不同的韵律可能都很重要。TensorFlow canned estimators 在TensorBoard中附带了一些预先配置的值，以显示在TensorBoard中。因此这是一个很好的起点。
histogram 直方图
distribution 分布图
embedding 嵌入
checkpoint 关卡
TensorBoard 可以显示各种各样的其他信息，包括直方图、分布图、嵌入物，同样也包括声音、图片、以及文字数据。但是这只是以后的视频。
让我们看一个TensorBoard中带有线性模型的例子，我们已经有很多举例了。首先我们会开始TensorBoard并且将它指向模型结构所在的目录，关卡文件通过运行一下东西来存储。
tensorboard --logdir=”/tmp/iris_model/”
expand 扩展
zoom 缩放
我们可以通过一些线性分类看到一些标量的度量。
我们同样可以扩展和缩放他们到这些图形中。
clue us （告诉我们）
双击允许我们缩小，你可以看到我们的训练过程很顺利，通过减少损失，很明显训练还没有完全结束，因为损失仍在以一个很好的效率下降，因此这可能会提示我们训练过程会有一些长，来获取这个模型。
让我们现在来看一看图标的tab，请注意在表面上这个图标非常的简单。
pan 平移
我们可以通过点击+号按钮来扩展每一个方块查看详情。例如，如果我扩展了“Linear”方块，我们就会看到一系列的子组件。我们可以滚动放大和缩小，并且点击和拖动到平移。
还请注意我们为将来的一栏“flower_features”, 显示graph组件的名称。
clarify 澄清
come out 出现
这些可以帮助debugging以及识别如何连接图形。大多数TensorFlow操作都可以命名，因此这些可以是一个好的方法来澄清你的模型。
今天我们学习了机器学习会更简单以及更好玩，当你可以视觉化模型，还有重要的训练量度时。TensorBoard允许你把这些事情简单化，并且它是在TensorFlow内部的。
下一次你需要视觉化你的机器学习，可以使用TensorBoard来查看引擎盖里面到底发生了什么！
如果你想要更多的机器学习行动，请确保订阅了我们的频道来进一步追踪下一集。
此外TensorFlow的创造者在今年的TensorFlow开发者顶会上也给与了很高的评价，请查看并了解更多内容。
英文翻译
在这一集的云AI冒险中，我们找到了怎么使用TensorBoard 来视觉化你的模型并且修复问题。
In this episode of Could AI Adventure, we find out how to use TensorBoard to visualize your model and debug problems.
feed into 注入
come out 出现
当你看到问题具体是什么的时候，你的问题修复就会相当简单。但是大量的训练数据会进入一个复杂的模型。那样会更加的复杂。谢天谢地，TensorBoard 把这些东西简化了。
Debugging problem is a lot of easier when you can see what the problem is.But bunch of training will dive into a complexity model. it will more compelxity. Thankally, TensorBoard will let them a lot of easier.
不像传统的编程，机器学习会有很多的不可预测性。你数据的质量，伴随着我们模型细微的差别，包括许多必须选择的参数，在训练过程中成功或者失败都会受其一定范围的影响。
Unlike tranditional programming, machine learning is often very unpredictable. You data quality, will follow our model nuances, include the many parameters that must be chosen ，
all have wide influence on the success or failure of the training process.
Use TensorBoard to find the gaps
tunde 转动
如果有一种方式可以通过训练来跟踪这种韵律，并且他们是可以通过我们结构化创建的，这将使我们能够调整模型并且修复我们看到的任何问题。
If have a approach by training to follow this metirc，and they could approach our structure to create, that would enable us to tuen the model and debug any probles that we sse..
现在这个抽象的过程很难被视觉化呈现，但是很幸运，TensorFlow内置这些解决方案。
In this abstruaction processing is very hard to visualization, but luckly, TensorFlow build-in those solution.
让我们看看TensorBoard，TensorFlow 内置的可视化模型，这可以让你做很多的事情，从观察你模型的结构到查看训练过程。
Let us see TensorBoard, TensorFlow build-in visualization model, it will let you make more thing, from observation your model structure to see training process.
computational 计算的
TensorFlow 在背后使用了计算图形的方法：
TensorFlow uses the idea of computational graphs under the hood.
2+3=5
construct 构造
opeator 操作符
sense 感觉
executing 执行
这意味着它们不是传统意义上将两者相加，它构造了一个add操作符，并将其相加在一起作为输入。
This means it not traditional sence add two part, it construct a add opeator, and add them together as input.
abstraction 抽象
graph 图表
complexity 复杂性
因此当我们在思考TensorFlow在训练你模型的时候，它就在执行你图形里面的任何东西。TensorBoard 可以视觉化这些图形，所以你能看到看门的样子，并且更重要的是，你已经确保了你所想的样子来组装这些东西。
So wen we think TnesorFlow is training your model, it executing you graph anything. TensorBoard could visualization those graph, so you could them aspect, and more improtant, you can ensure that acspect to install them.
这里有一个例子以及复杂的版本来通过TensorFlow呈现视觉化。TensorBoard 允许我们缩放，平移 和 扩展元素来查看更多细节。这意味着我们可以看到模型抽象的不同层级，它能够帮助我们减少视觉复杂化。
There have a example and complexity version to TensorFlow visualization. TensorBoad allow us to scale, pan,and extend elements to see more details. It means we could see the model abstruction to different level, it could help us reduce visualization complexity.
preconfigure 预配置
然而，TensorBoard 不仅仅显示模型结构，它同样在一个图表中展示这些韵律进展。通常情况下，我们会描绘出精准性(accuracy)、丢失(loss)、互熵(cross-enteropy)、以及更多。这取决于模型，不同的韵律可能都很重要。TensorFlow canned estimators 在TensorBoard中附带了一些预先配置的值，以显示在TensorBoard中。因此这是一个很好的起点。
But, TensorBoard not only display model consturction, it also show those metric progress. Typically，we will draw the accuracy、loss、corss-enteropy、and more. it depends on model，different metric may all improtant。TensorFlow canned estimators on TensorBoard Attach some preconfiguration.So this is a good begin point.
histogram 直方图
distribution 分布图
embedding 嵌入
checkpoint 关卡
TensorBoard 可以显示各种各样的其他信息，包括直方图、分布图、嵌入物，同样也包括声音、图片、以及文字数据。但是这只是以后的视频。
TensorBoard could display variable other message, include histogram、distribution、embedding, also include sound、picture and text data.But it only the future video.
让我们看一个TensorBoard中带有线性模型的例子，我们已经有很多举例了。首先我们会开始TensorBoard并且将它指向模型结构所在的目录，关卡文件通过运行一下东西来存储。
Let's see a TensorBoard that have linear mode example, We have much example.First we begin TensorBoard and let them refer to model structure catagorey, checkpoint through run the next staff to save storage.
tensorboard --logdir=”/tmp/iris_model/”
expand 扩展
zoom 缩放
我们可以通过一些线性分类看到一些标量的度量。
我们同样可以扩展和缩放他们到这些图形中。
We also could through some linear distribution to see some metric.
We also could extend and zoom their those graph.
clue us （告诉我们）
plot 描绘
it can also plot the progession of metric on a nice graph.
双击允许我们缩小，你可以看到我们的训练过程很顺利，通过减少损失，很明显训练还没有完全结束，因为损失仍在以一个很好的效率下降，因此这可能会提示我们训练过程会有一些长，来获取这个模型。
Double check allow us zoom out, you could see our training progress is very succeeful, through reduce loss, obviously training is not entirely close,because loss is also have a nicely rate loss, so this may notice us training process will be more longer, to gather those model.
让我们现在来看一看图标的tab，请注意在表面上这个图标非常的简单。
let us have a look to see the tab icon, please attention the up icon is very simple.
pan 平移
我们可以通过点击+号按钮来扩展每一个方块查看详情。例如，如果我扩展了“Linear”方块，我们就会看到一系列的子组件。我们可以滚动放大和缩小，并且点击和拖动到平移。
we could throught click + sign button to extend every box see more details. For example, if we extend "Linear" box, we will see a serise of subcomponent, we could zoome in and out, also click and drag to pan.
还请注意我们为将来的一栏“flower_features”, 显示graph组件的名称。
please attention we will have a clomnu "flower_features" display graph component name.
clarify 澄清
come out 出现
这些可以帮助debugging以及识别如何连接图形。大多数TensorFlow操作都可以命名，因此这些可以是一个好的方法来澄清你的模型。
Those could help debugging and calrify how to conect the graph, mostly TensorFlow operation will named, So those will be a nice way to clarify your model.
今天我们学习了机器学习会更简单以及更好玩，当你可以视觉化模型，还有重要的训练量度时。TensorBoard允许你把这些事情简单化，并且它是在TensorFlow内部的。
Today we learned machine learning will simple and more funny, when you visualization model, it will have improtant training metric. TensorBoard allowed you simplization those staff, and it in Internal TensorFlow.
下一次你需要视觉化你的机器学习，可以使用TensorBoard来查看引擎盖里面到底发生了什么！
On next time you need visualization your machine learning, you could use TensorBoard to check the under the hook what's going on!
如果你想要更多的机器学习行动，请确保订阅了我们的频道来进一步追踪下一集。
If you want more machine learning action, please ensure subscribe our channel on next episode.
此外TensorFlow的创造者在今年的TensorFlow开发者顶会上也给与了很高的评价，请查看并了解更多内容。
Evenmore, the create of TensorFlow also have a nice comments on summit, please see and learn more from it.