TensorFlow-6-TensorBoard 可视化学习

学习资料：
https://www.tensorflow.org/get_started/summaries_and_tensorboard

中文翻译：
http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/summaries_and_tensorboard.html

今天学的内容是 TensorBoard
它的作用就是可以把复杂的神经网络训练过程给可视化，可以更好地理解 调试 优化程序。

在之前的几节，我们都只是建立了模型，例如这个代码：
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/tutorials/mnist/mnist_softmax.py

这一节我们我们可以把想看的东西显示出来，如 accuracy，cross entropy，bias 和 weights 等等。

先来看效果：

如下图，就可以在 Tensorboard 的 scalars 下看到 accuracy，cross entropy，dropout，layer1 和 layer2 的 bias 和 weights 的趋势

---

主要用到的了下面四个方法
其他可以看 Summary Operations：
https://www.tensorflow.org/api_guides/python/summary

• tf.summary.scalar
• tf.summary.histogram
• tf.summary.merge_all
• tf.summary.FileWriter

1. tf.summary.scalar

当你想知道 learning rate 如何变化时，目标函数如何变化时，就可以通过向节点附加 tf.summary.scalar 操作来分别输出学习速度和期望误差，可以给每个 scalary_summary 分配一个有意义的标签为 ‘learning rate’ 和 ‘loss function’，执行后就可以看到可视化的图表。

2. tf.summary.histogram

当你想看 activations， gradients 或者 weights 的分布时，可以用 tf.summary.histogram 。
如下图，显示了每一步的分布，越靠前面就是越新的步数的结果。

3. tf.summary.merge_all

在 TensorFlow 中，所有的操作只有当你执行，或者一个操作依赖于它的输出时才会运行。为了生成 summaries，我们需要运行所有 summary nodes，所以就用 tf.summary.merge_all 来将它们合并为一个操作，这样就可以产生所有的 summary data。

4. tf.summary.FileWriter

最后，为了将 summary data 写入磁盘，需要将 Summary protobuf 对象传递给 tf.summary.FileWriter。在这个造函数中包含了参数 logdir，这个 logdir 很重要，所有事件都会写到它所指的目录下。

---

那么上面的图是怎么产生的呢？

完整代码有点长，请前往链接：
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/tutorials/mnist/mnist_with_summaries.py

如果是 mac 的话，可以在终端运行上述代码：

$ python mnist_with_summaries.py

然后就可以看到打印过程:

注意代码里将 log dir 定义为下面这个地址：

所以在打开 tensorboard 时，输入相应的位置：

$ tensorboard --logdir=/tmp/tensorflow/mnist/logs/mnist_with_summaries

输入上述命令后，会打印一个 IP 地址，在浏览器打开

这样，就可以看到 bar 上的几个板块了：

除上面几个外，还可以在 graphs 里可以看到 TensorFlow model。
更详细的可以查看：
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tensorboard

---

再聊细一点：

关于 scalars 的生成
代码中有这样几行：

      with tf.name_scope('weights'):
        weights = weight_variable([input_dim, output_dim])
        variable_summaries(weights)
      with tf.name_scope('biases'):
        biases = bias_variable([output_dim])
        variable_summaries(biases)

在这里对 wights 和 bias 作用了 variable_summaries。
而 variable_summaries 里面有计算 mean，max，min，stddev 的 tf.summary.scalar 操作。

  def variable_summaries(var):
    """Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""
    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)

执行后，就可以看到下图：

TensorFlow 系
TensorFlow－5: 用 tf.contrib.learn 来构建输入函数
TensorFlow-4: tf.contrib.learn 快速入门
TensorFlow－3: 用 feed-forward neural network 识别数字
TensorFlow-2: 用 CNN 识别数字
TensorFlow－1: 如何识别数字

---

推荐阅读
历史技术博文链接汇总
也许可以找到你想要的