TensorBoard的使用

TensorBoard是Tensorflow的可視化工具，它通過對Tensoflow程序運行過程中輸出的日志文件進行可視化Tensorflow程序的運行狀態。
使用TensorBoard展示數據，需要在執行Tensorflow計算圖的過程中，將各種類型的數據（summary protobuf）匯總并記錄到日志文件中。然后使用TensorBoard讀取這些日志文件，解析數據并生產數據可視化的Web頁面，讓我們可以在瀏覽器中觀察各種匯總數據。

注：tensorflow --version 1.4.0

TensorBoard

當生成了日志文件后，在命令行中使用tensorboard --logdir=日志文件目錄啟動一個服務，在瀏覽器中使用http://DESKTOP-JGL4HV5:6006查看可視化結果。

這里有一點需要注意，日志文件目錄要使用絕對路徑，即從某個盤開始的路徑（如果不行的話將/變成//再試試）。同時使用360瀏覽器可能無法顯示。

下面紅框中是可視化的頂部：


TensorBoard頁面
  1. SCALARS，對標量數據進行匯總和記錄
    使用方法：tf.summary.scalar(tags, values, collections=None, name=None)
    scalar

一般在刻畫loss和accuracy時會用到，可以計算標量的最大最小值或者標準差等

  1. IMAGES， 匯總數據中的圖像，例如MNIST中可以將輸入的向量還原成圖片的像素矩陣
    使用方法：tf.summary.image(tag, tensor, max_images=3, collections=None, name=None)

    image

  2. GRAPHS， 可視化Tensorflow計算圖的結構及計算圖上的信息
    使用方法：tf.summary.FileWriter(logdir, graph)
    其實這個方法是將當前summary protobuf寫近日志文件中，但是會自動生成計算圖。

  3. HISTOGRAMS，記錄變量的直方圖(張量中元素的取值分布）
    使用方法：tf.summary.histogram(tag, values, collections=None, name=None）

    histograms

計算圖

計算圖可以很好展現整個神經網絡的結構。下來將計算圖中的圖標進行總結：

  1. 邊，計算圖中的節點之間有兩種不同的邊：
    實線：刻畫了數據的傳輸，箭頭代表方向
    虛線：表達了計算之間的依賴關系
    有些邊上的箭頭是雙向的表示一個節點可能會修改另一個節點，同時邊上還標注了張量的維度信息，邊上的粗細表示了兩個節點之間傳輸的標量維度的總大小（不是傳輸的標量個數）。
  2. 圖， TensorBoard會智能的調整可視化效果圖上的節點，將計算圖分成了主圖（Main Graph）和輔助圖（Auxiliary nodes）。也可以手動調整，對圖中的節點進行移除（不會保存手工修改結果，刷新后還原）。
  3. 節點，當點擊可視化圖中的節點時，界面右上角會彈出該節點的基本信息（輸入、輸出、依賴關系以及消耗時間和內存信息等）。
    空心小橢圓：對應計算圖上一個計算節點
    矩形：對應了計算圖上的一個命名空間
節點信息

剛說節點的基本信息中包含消耗時間和內存信息，可以通過以下方法將其添加到日志文件并進行展示。

        for i in range(TRAINING_STEPS):
            # 每1000次就在驗證集上測試訓練的模型精度
            if i % 100 == 0:
                # 配置運行時要記錄的信息
                run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
                # 運行時記錄運行信息的proto
                run_metadata = tf.RunMetadata()
                # 將配置信息和運行記錄信息的proto傳入運行過程，從而進行記錄
                validate_acc, sum = sess.run([accuracy, summ], feed_dict=validate_feed, options=run_options, run_metadata=run_metadata)
                # 將節點的運行信息寫入日志文件
                writer.add_run_metadata(run_metadata, 'step%03d' % i)

在TensorBoard可視化的Graphs頁面中，左側的Session runs會出現一個下拉菜單，記錄了所有運行次數，選擇一次運行后，Color欄中會出現Compute time和Memory，分別對應了計算節點的運行時間和消耗的內存。

GRAPHS的左邊框

merge_all()

和Tensorflow類似，tf.summaru.histograms()等函數不會立即執行，需要通過sess.run()來明確調用，當日志程序中定義寫日志的操作比較多時，可以使用summ = tf.summary.merge_all()函數來整理所有的日志生成操作，最后只需要sess.run(summ)即可將定義中的所有日志生成操作一次執行。

TensorBoard的使用流程
  1. 添加記錄節點：tf.summary.scalar/image/histogram()等
  2. 匯總記錄節點：merged = tf.summary.merge_all()
  3. 運行匯總節點：summary = sess.run(merged)，得到匯總結果
  4. 日志書寫器實例化：summary_writer = tf.summary.FileWriter(logdir, graph=sess.graph)，實例化的同時傳入 graph 將當前計算圖寫入日志
  5. 調用日志書寫器實例對象summary_writer的add_summary(summary, global_step=i)方法將所有匯總日志寫入文件
  6. 調用日志書寫器實例對象summary_writer的close()方法寫入內存，否則它每隔120s寫入一次

下面是一個完整的使用TensorBoard的代碼：

# _*_ coding:utf-8 _*_

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 定義神經網絡的神經元數目
INPUT_NODE = 784
LAYER1_NODE = 500
OUTPUT_NODE = 10

# 每次訓練數據的個數
BATCH_SIZE = 100

# 衰減學習率的參數
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99

# 正則化項的系數
REGULARIATION_RATE = 0.0001

# 滑動平均的參數
TRAINING_STEPS = 1000
MOVING_AVERAGE_DECAY = 0.99

# 定義神經網絡和前向傳播算法
def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
    if avg_class == None:
        with tf.name_scope('layer1'):
            layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
        with tf.name_scope('layer2'):
            output = tf.matmul(layer1, weights2) + biases2
    else:
        with tf.name_scope('layer1'):
            layer1 = tf.nn.relu(tf.matmul(input_tensor, avg_class.average(weights1)) + avg_class.average(biases1))
        with tf.name_scope('layer2'):
            output = tf.matmul(layer1, avg_class.average(weights2)) + avg_class.average(biases2)

    tf.summary.histogram('weights1', weights1)
    tf.summary.histogram('biases1', biases1)
    tf.summary.histogram('weights2', weights2)
    tf.summary.histogram('biases2', biases2)

    return output

def train(mnist):
    with tf.name_scope('input'):
        x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')
        x_image = tf.reshape(x, [-1, 28, 28, 1])
        tf.summary.image('input', x_image, 10)
        y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')

    # 定義神經網絡的參數
    weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
    biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
    weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
    biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))

    # 計算前向傳播結果
    y = inference(x, None, weights1, biases1, weights2, biases2)

    # 使用帶有滑動平均的模型計算前行傳播結果
    with tf.name_scope('moving_average'):
        global_step = tf.Variable(0, trainable=False)
        variable_average = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
        variables_averages_op = variable_average.apply(tf.trainable_variables())

        average_y = inference(x, variable_average, weights1, biases1, weights2, biases2)

    # 計算交叉熵和損失函數
    with tf.name_scope('loss_function'):
        cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
        cross_entropy_mean = tf.reduce_mean(cross_entropy)
        regularizer = tf.contrib.layers.l2_regularizer(REGULARIATION_RATE)
        regularization = regularizer(weights1) + regularizer(weights2)
        loss = cross_entropy_mean + regularization

        tf.summary.scalar('max', tf.reduce_max(loss))

    # 使用衰減學習率
    with tf.name_scope('train_step'):
        learning_rate = tf.train.exponential_decay(
            LEARNING_RATE_BASE,
            global_step,
            mnist.train.images.shape[0] / BATCH_SIZE,
            LEARNING_RATE_DECAY
        )

        # 定義使用的優化方法
        train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)

        # 定義同時更新滑動平均值和參數的方法
        with tf.control_dependencies([train_step, variables_averages_op]):
            train_op = tf.no_op('train')

    # 定義精度的計算
    correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

    tf.summary.histogram('accuracy', accuracy)
    summ = tf.summary.merge_all()


    # 初始化會話并開始訓練
    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
        test_feed = {x: mnist.test.images, y_: mnist.test.labels}

        writer = tf.summary.FileWriter('log/')
        writer.add_graph(sess.graph)

        for i in range(TRAINING_STEPS):
            # 每1000次就在驗證集上測試訓練的模型精度
            if i % 100 == 0:
                # 配置運行時要記錄的信息
                run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
                # 運行時記錄運行信息的proto
                run_metadata = tf.RunMetadata()
                # 將配置信息和運行記錄信息的proto傳入運行過程，從而進行記錄
                validate_acc, sum = sess.run([accuracy, summ], feed_dict=validate_feed, options=run_options, run_metadata=run_metadata)
                # 將節點的運行信息寫入日志文件
                writer.add_run_metadata(run_metadata, 'step%03d' % i)
                writer.add_summary(sum, i)

                print('After %d training step(s), validation accuracy using average model is %g' % (i, validate_acc))

            # 用于生成下一次迭代的訓練數據
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            sess.run(train_op, feed_dict={x: xs, y_: ys})

        # 驗證在測試集上的準確度
        test_acc = sess.run(accuracy, feed_dict=test_feed)
        print('After %d training step(S), test accuracy using average model is %g' % (TRAINING_STEPS, test_acc))

def main(argv=None):
    mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
    train(mnist)

if __name__ == '__main__':
    tf.app.run()
最后編輯于 ：
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明：文章內容（如有圖片或視頻亦包括在內）由作者上傳并發布，文章內容僅代表作者本人觀點，簡書系信息發布平臺，僅提供信息存儲服務。

推薦閱讀更多精彩內容