用tensorboard来看看我们的网络流吧！

本文使用的tensorlow版本：1.4
tensorlow安装：pip install tensorflow

1、引言

在上一节课中，我们实现了一个简单的神经网络，那么网络中的数据是如何流动的呢？如果我们想通过可视化的方式看到网络中的数据流动，以及参数和误差的变化，这时候就该Tensorbord大显身手了。

先来回顾一下我们之前的tensorflow代码，我们用神经网络来预测 y = x^2 - 0.5,定义了一个神经元的输入层和输出层，10个神经元的隐藏层，代码如下：

import tensorflow as tf
import numpy as np


def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)
    Wx_plus_b = tf.add(tf.matmul(inputs,Weights),biases)
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs


x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise

#None表示给多少个sample都可以
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])

l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,activation_function=None)

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                     reduction_indices=[1]))

train_step = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(1000):
        sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
        if i % 50 == 0:
            print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

接下来，我们就以这一个例子为例，一起来看一下tensorboard的使用吧。

2、可视化流程

使用Tensorboard，我们首先要定义变量的命名空间name_scope，只有定义了name_scope，我们在tensorboard中的Graph才会看起来井然有序。所以，我们以修改一层网络的函数为例，来看一下如何使用name_scope，name_scope对神经网络的训练过程是没有影响的。

def add_layer(inputs,in_size,out_size,n_layer,activation_function=None):
    layer_name = "layer%s" % n_layer
    with tf.name_scope(layer_name):
        with tf.name_scope("Weights"):
            Weights = tf.Variable(tf.random_normal([in_size,out_size]),name='W')
            #概率分布的形式
        with tf.name_scope("biases"):
            biases = tf.Variable(tf.zeros([1,out_size])+0.1,name='b')    
        with tf.name_scope("Wx_plus_b"):
            Wx_plus_b = tf.add(tf.matmul(inputs,Weights),biases)
        if activation_function is None:
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b)
        return outputs

类似的，你可以在任何你想要的地方加上命名空间，使得你的tensorboard看上去更加整洁有序。

在定义好命名空间之后，我们需要将我们网络中的数据流保存到文件中：

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

除了网络的结构外，我们有时候想看一下网络的loss的变化，以及参数的变化，我们需要进一步增加我们summary的内容，因为Weights和biases是一组数而不是单个数，所以我们使用histogram来表示二者在每一期的分布变化，而loss是一个单个的数，也就是标量scalaer，所以我们使用scalaer来表示loss的变化，二者的定义如下：

tf.summary.histogram(layer_name+'/weights',Weights)
tf.summary.scalar("loss",loss)

但是，光定义这个是没有用的，我们需要run一下这个，记得我们之间定义了merged节点了么，运行这个就行啦，我们将返回的结果通过writer写入到文件中就可以啦：

result = sess.run(merged,feed_dict={xs:x_data,ys:y_data})
writer.add_summary(result,i)

所以，到现在，我们的完整代码如下：

import tensorflow as tf
import numpy as np


def add_layer(inputs,in_size,out_size,n_layer,activation_function=None):
    layer_name = "layer%s" % n_layer
    with tf.name_scope(layer_name):
        with tf.name_scope("Weights"):
            Weights = tf.Variable(tf.random_normal([in_size,out_size]),name='W')
            #概率分布的形式
            tf.summary.histogram(layer_name+'/weights',Weights)
        with tf.name_scope("biases"):
            biases = tf.Variable(tf.zeros([1,out_size])+0.1,name='b')
            tf.summary.histogram(layer_name + '/biases', biases)
        with tf.name_scope("Wx_plus_b"):
            Wx_plus_b = tf.add(tf.matmul(inputs,Weights),biases)
        if activation_function is None:
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b)
        return outputs


x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise

#None表示给多少个sample都可以
with tf.name_scope("input"):
    xs = tf.placeholder(tf.float32,[None,1],name='x_input')
    ys = tf.placeholder(tf.float32,[None,1],name='y_input')

l1 = add_layer(xs,1,10,1,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,2,activation_function=None)

with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                         reduction_indices=[1]))
    tf.summary.scalar("loss",loss)


with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)


init = tf.global_variables_initializer()

with tf.Session() as sess:
    # 1.2之前 tf.train.SummaryWriter("logs/",sess.graph)
    merged = tf.summary.merge_all()
    writer = tf.summary.FileWriter('logs/',sess.graph)
    sess.run(init)
    for i in range(1000):
        sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
        if i % 50 == 0:
            result = sess.run(merged,feed_dict={xs:x_data,ys:y_data})
            writer.add_summary(result,i)

3、结果查看

我们使用命令来查看最后的结果：

tensorboard --logdir logs

然后我们就可以根据它提示的网址去访问我们的结果啦，这里我用safari浏览器是没有看到结果的， 用chrome是可以的呦。

我们可以看GRAPH选项下面保存了我们的整个网络的流图，我们可以点开看每一个层的内容，比如我们点开layer1:

在Scalaer下，我们可以看到我们的loss结果：

而在distribution下面，我们可以看到我们定义的权重和偏置的参数分布变化：

更多的信息，大家可以自己去探索哟，我们这里就不继续啦，下篇继续！