[AI教程]TensorFlow入门：使用TensorBoard和MNIST数据集实现监控指标可视化

TensorBoard介绍

TensorBoard是TensorFlow的可视化工具，它可以通过TensorFlow程序运行过程中输出的日志文件可视化TensorFlow程序的运行状态。TensorFlow和TensorBoard程序跑在不同的进程中，TensorBoard会自动读取最新的TensorFlow日志文件，并呈现当前程序运行的最新状态。下面通过使用MNIS数据集创建一个简单的神经网络实现对某一参数的可视化。

第一步下载MNIST数据集

下载方式（1）登录MNIS数据集官网选择性下载The Mnist Database of handwritten digits
下载方式（2）本地直接导出；
train-images-idx3-ubyte.gz ：train-images
train-labels-idx1-ubyte.gz：train-labels
t10k-images-idx3-ubyte.gz：test-images
10k-labels-idx1-ubyte.gz：test-labelst
把下载的数据集放到自己定义文件夹下，我这里定义的文件夹是：MNIST_data
代码中读入数据集方式有两种如下：

• 数据集和代码文件在一个根目录下

mnist = input_data.read_data_sets("MNIST_data",one_hot=True) #数据集和代码在一个目录下

• 数据集放在指定的路径下

mnist = input_data.read_data_sets(r"C:\Users\Administrator\Desktop\MNIST_data",one_hot=True) #数据集路径

第二步代码测试

（1）确定Windows或者Linux下TensorFlow框架可行，如果没有安装可参照Windows下Anaconda和TensorFlow安装
（2）新建一个可视化.py文件，我这里命名为 Visualization .py，保存到和数据集一个目录下，其中

writer = tf.summary.FileWriter('/tmp/log', sess.graph) #写入到的位置（C盘根目录）

测试代码如下：

import tensorflow as tf  
from tensorflow.examples.tutorials.mnist import input_data    
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)  
n_batch = mnist.train.num_examples // batch_size  
#定义函数
def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean', mean) 
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
        tf.summary.scalar('stddev', stddev) 
        tf.summary.scalar('max', tf.reduce_max(var))
        tf.summary.scalar('min', tf.reduce_min(var))
        tf.summary.histogram('histogram', var)
with tf.name_scope("input"):
    x = tf.placeholder(tf.float32,[None,784], name = "x_input")  
    y = tf.placeholder(tf.float32,[None,10], name = "y_input")    
with tf.name_scope("layer"):
    #创建一个简单的神经网络 
    with tf.name_scope('weights'):
        W = tf.Variable(tf.zeros([784,10]), name='W') 
        variable_summaries(W)
    with tf.name_scope('biases'):    
        b = tf.Variable(tf.zeros([10]), name='b') 
        variable_summaries(b)
    with tf.name_scope('wx_plus_b'):  
        wx_plus_b = tf.matmul(x,W)+b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)   
with tf.name_scope('loss'):
    #交叉熵代价函数 
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))  
    tf.summary.scalar('loss', loss)
with tf.name_scope('train'):
    #使用梯度下降法 
    train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)    
#初始化变量  
init = tf.global_variables_initializer()  
 
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        #结果存放在一个布尔型列表中  
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
    with tf.name_scope('accuracy'):
        #求准确率  
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))  
        tf.summary.scalar('accuracy', accuracy) 
merged = tf.summary.merge_all() 
with tf.Session() as sess:  
    sess.run(init)  
    writer = tf.summary.FileWriter('/tmp/log', sess.graph) 
    for epoch in range(101):  
        for batch in range(n_batch):  
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)  
            summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs, y:batch_ys})          
        writer.add_summary(summary,epoch)  
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})  
        print("epoch= " + str(epoch)+ "   accuracy=" +str(acc)) 

（3）测试迭代100次结果如下

（4）运行完毕后，打开终端：Anaconda Prompt并切换到tensorflow输入

activate tensorflow
tensorboard --logdir=/tmp/log

就会运行出一行网址：如下

（5）打开浏览器（版本尽量高一点，这里用的UC）在地址栏输入网址如下：

 http://PC-20180711ZhaoZunqiang:6006 

（6）可视化结果展示

• 训练准确率和损失函数图
  
  

• 整个网络计算图如下

• 参数分布图
  

• 直方图
  

常见的错误

如果最后一步复制链接到浏览器没有出现可视化图：请再次确定是否切换到输出所在路径！！这里展示一个寻找路径方法请参考如下：

tensorboard --logdir=C:\Users\Administrator\Desktop\log

以上内容编辑：赵尊强