tensorflow学习之tensorboard可视化

tensorboard

功能

可视化的好帮手

• Event: 展示训练过程中的统计数据（最值，均值等）变化情况
• Image: 展示训练过程中记录的图像
• Audio: 展示训练过程中记录的音频
• Histogram: 展示训练过程中记录的数据的分布图

原理

• 在运行过程中，记录结构化的数据
• 运行一个本地服务器，监听6006端口
• 请求时，分析记录的数据，绘制

1.Histogram: 展示训练过程中记录的数据的分布图

with tf.name_scope('W'):
    W = tf.Variable(tf.zeros([784, 10]) , name = 'W')

在tensorflow程序中的变量或者常量加上name=‘xxx’，with tf.name_scope('xxx'):是为了让它下面的包含在一个大的框里，这样在模型复杂的时候会看起来更清晰。

然后，我们需要把graph写到文件里面，通过tensorboard来调用显示

writer = tf.summary.FileWriter('logs' , sess.graph)

需要注意的是，这是新版本的写法，旧版本是tf.train.SummaryWriter，如果用的tensorflow 1.0版本，那么用旧的方法会报错

运行程序，会在logs文件夹中保存此次的events。

然后将shell定位到当前文件夹中执行：

tensorboard --logdir = logs

会出现下面的信息

以前我们是复制这个网址在浏览器打开，但是我发现这个方式行不通了，不知道是我方法的问题，还是浏览器的问题，所以我们用另一种方式。

打开你的浏览器，输入localhost:6006，回车。这时tensorboard就在你的浏览器中启动了

2.histograms显示，scalars显示

在需要查看的变量下面加上：

#histograms
tf.summary.histogram('W' , W)
#scalars
tf.summary.scalar('loss' , cross_entropy)

然后，我们需要将这些即时数据合并到一个操作（op）中：

summary_op = tf.summary.merge_all()

最后，在每次迭代时都要运行summary_op，并把最新的即时数据写入事件文件中：

for i in range(1000):
	batch_xs, batch_ys = mnist.train.next_batch(100)
	summary_str = sess.run(summary_op , feed_dict={x:batch_xs , y_:batch_ys})
	writer.add_summary(summary_str , i)
	train_step.run({x: batch_xs, y_: batch_ys})

执行程序，生成新的events文件在logs中，然后同样执行：

tensorboard --logdir=logs

这里有一点是要注意的就是，我的tensorboard是pip安装的，如果你的不是，那么tensorboard的启动方式变为

python tensorflow/tensorboard/tensorboard.py --logdir=path

并在浏览器中输出localhost:6006打开tensorboard查看：

最后贴上完整的代码（softmax分类mnist数据集）：

"""A very simple MNIST classifier.

See extensive documentation at
http://tensorflow.org/tutorials/mnist/beginners/index.md
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

# Import data
#from tensorflow.examples.tutorials.mnist import input_data
import input_data
import tensorflow as tf

mnist = input_data.read_data_sets("Mnist_data/", one_hot=True)

sess = tf.InteractiveSession()

# Create the model
x = tf.placeholder(tf.float32, [None, 784] , name = 'input_x')
W = tf.Variable(tf.zeros([784, 10]) , name = 'W')
tf.summary.histogram('W' , W)
b = tf.Variable(tf.zeros([10]) , name = 'b')
tf.summary.histogram('b' , b)
y = tf.nn.softmax(tf.matmul(x, W) + b , name = 'y_out')

# Define loss and optimizer
y_ = tf.placeholder(tf.float32, [None, 10] , name = 'input_y')
with tf.name_scope('loss'):
	cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
tf.summary.scalar('loss' , cross_entropy)

summary_op = tf.summary.merge_all()

writer = tf.summary.FileWriter('logs' , sess.graph)
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# Train
tf.initialize_all_variables().run()
for i in range(1000):
	batch_xs, batch_ys = mnist.train.next_batch(100)
	summary_str = sess.run(summary_op , feed_dict={x:batch_xs , y_:batch_ys})
	writer.add_summary(summary_str , i)
	train_step.run({x: batch_xs, y_: batch_ys})

# Test trained model
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))

OK~