小编来分享一篇个人对微软公布TensorWatch一款用于可视化和调试AI模型的工具相关分析，众所周知，无论是在坊间民众，还是在汽车媒体的议论中，都是不错的，至于产品到底香不香，通过测试还是可以对微软公布TensorWatch一款用于可视化和调试AI模型的工具的产品力分析分析的，一起来看看吧!

在公布了Bing背后的一种核心算法的代码一个月之后，微软公司今天对开源社区做出了另一项显着贡献。

该公司的研究部门今天 推出了 TensorWatch，这是一种内部开辟的工具，旨在降低人工智能项目的复杂性。它特殊关注开辟过程的一个方面：调试。

消除错误代码是任何软件项目中最繁琐且耗时的任务之一。当涉及到AI开辟时，该过程特殊麻烦，因为机器学习模型固有的复杂性

意味着与传统程序相比，它们有更多的破解方法。TensorWatch旨在通过使开辟人员能够在交互式图中可视化其模型来使错误更容易发现。

该工具使用AI在进行测试时生成的数据来生成图形。根据微软的说法，TensorWatch将每个信息源表示为一个“流”。流可以包括模

型的输出，有关其消耗多少处理能力的统计信息，甚至可以包括TensorWatch图等。

这种方法的好处是可以更轻松地处理数据。开辟人员可以在多个可视化视图中重用相同的流，也可以制作并排显示多个信息流的图形。

TensorWatch有助于创建从简单的条形图到复杂的三维地图的所有内容，这些可视化可视化交互式虚拟空间中的潜在错误。

用户可以通过编写查询来控制他们的图形来放大感兴趣的项目。此功能由Jupyter Notebook提供支持，Jupyter Notebook是一种流

行的开放源代码应用程序，用于Microsoft已纳入TensorWatch界面的实验编码。

除了同意 开辟人员以可视方式查找错误外，该工具还有望使故障排除更加硬件高效。微软的研究人员将这种功能归功于“惰性日志记录模式”。

简而言之，TensorWatch可以通过减少为查找问题模式而需要摄取的数据量来降低处理开销。软件团队可以让该工具仅观察显示模型在测试过程中表现如何的核心变量。

微软已经在GitHub上共享了TensorWatch的代码。该工具加入了开源生态系统中的许多现有AI可视化和调试工具。其中之一是