TensorBoard 简介及使用流程

一、TensorBoard 简介及使用流程

1、TensoBoard 简介

TensorBoard 和 TensorFLow 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 TensorFLow 程序运行的最新状态。

2、TensorBoard 使用流程

• 添加记录节点：tf.summary.scalar/image/histogram()等
• 汇总记录节点：merged = tf.summary.merge_all()
• 运行汇总节点：summary = sess.run(merged)，得到汇总结果
• 日志书写器实例化：summary_writer = tf.summary.FileWriter(logdir, graph=sess.graph)，实例化的同时传入 graph 将当前计算图写入日志
• 调用日志书写器实例对象summary_writer的add_summary(summary, global_step=i)方法将所有汇总日志写入文件
• 调用日志书写器实例对象summary_writer的close()方法写入内存，否则它每隔120s写入一次

---

二、TensorFlow 可视化分类

1、计算图的可视化：add_graph()

...create a graph...

# Launch the graph in a session.

sess = tf.Session()

# Create a summary writer, add the 'graph' to the event file.

writer = tf.summary.FileWriter(logdir, sess.graph)

writer.close() # 关闭时写入内存，否则它每隔120s写入一次

2、监控指标的可视化：add_summary()

I、SCALAR

tf.summary.scalar(name, tensor, collections=None, family=None)

• 可视化训练过程中随着迭代次数准确率(val acc)、损失值(train/test loss)、学习率(learning rate)、每一层的权重和偏置的统计量(mean、std、max/min)等的变化曲线

• 输入参数：

  • name：此操作节点的名字，TensorBoard 中绘制的图形的纵轴也将使用此名字
  • tensor： 需要监控的变量 A real numeric Tensor containing a single value.

• 输出：

  • A scalar Tensor of type string. Which contains a Summary protobuf.

II、IMAGE

tf.summary.image(name, tensor, max_outputs=3, collections=None, family=None)

• 可视化当前轮训练使用的训练/测试图片或者 feature maps

• 输入参数：

  • name：此操作节点的名字，TensorBoard 中绘制的图形的纵轴也将使用此名字
  • tensor： A r A 4-D uint8 or float32 Tensor of shape [batch_size, height, width, channels] where channels is 1, 3, or 4
  • max_outputs：Max number of batch elements to generate images for

• 输出：

  • A scalar Tensor of type string. Which contains a Summary protobuf.

III、HISTOGRAM

tf.summary.histogram(name, values, collections=None, family=None)

• 可视化张量的取值分布

• 输入参数：

  • name：此操作节点的名字，TensorBoard 中绘制的图形的纵轴也将使用此名字
  • tensor： A real numeric Tensor. Any shape. Values to use to build the histogram

• 输出：

  • A scalar Tensor of type string. Which contains a Summary protobuf.

IV、MERGE_ALL

tf.summary.merge_all(key=tf.GraphKeys.SUMMARIES)

• Merges all summaries collected in the default graph
• 因为程序中定义的写日志操作比较多，一一调用非常麻烦，所以TensoorFlow 提供了此函数来整理所有的日志生成操作，eg：merged = tf.summary.merge_all ()
• 此操作不会立即执行，所以，需要明确的运行这个操作(summary = sess.run(merged))来得到汇总结果
• 最后调用日志书写器实例对象的add_summary(summary, global_step=i)方法将所有汇总日志写入文件

3、多个事件(event)的可视化：add_event()

• 如果 logdir 目录的子目录中包含另一次运行时的数据(多个 event)，那么 TensorBoard 会展示所有运行的数据(主要是scalar)，这样可以用于比较不同参数下模型的效果，调节模型的参数，让其达到最好的效果！
• 上面那条线是迭代200次的loss曲线图，下面那条是迭代400次的曲线图，程序见最后。

---

三、通过命名空间美化计算图

• 使用命名空间使可视化效果图更有层次性，使得神经网络的整体结构不会被过多的细节所淹没
• 同一个命名空间下的所有节点会被缩略成一个节点，只有顶层命名空间中的节点才会被显示在 TensorBoard 可视化效果图上
• 可通过tf.name_scope()或者tf.variable_scope()来实现，具体见最后的程序。

---

四、将所有日志写入到文件：tf.summary.FileWriter()

tf.summary.FileWriter(logdir, graph=None, flush_secs=120, max_queue=10)

• 负责将事件日志(graph、scalar/image/histogram、event)写入到指定的文件中

• 初始化参数：

  • logdir：事件写入的目录
  • graph：如果在初始化的时候传入sess,graph的话，相当于调用add_graph() 方法，用于计算图的可视化
  • flush_sec：How often, in seconds, to flush the added summaries and events to disk.
  • max_queue：Maximum number of summaries or events pending to be written to disk before one of the ‘add’ calls block.

• 其它常用方法：

  • add_event(event)：Adds an event to the event file
  • add_graph(graph, global_step=None)：Adds a Graph to the event file，Most users pass a graph in the constructor instead
  • add_summary(summary, global_step=None)：Adds a Summary protocol buffer to the event file，一定注意要传入 global_step
  • close()：Flushes the event file to disk and close the file
  • flush()：Flushes the event file to disk
  • add_meta_graph(meta_graph_def,global_step=None)
  • add_run_metadata(run_metadata, tag, global_step=None)

---

五、启动 TensorBoard 展示所有日志图表

1. 通过 Windows 下的 cmd 启动

• 运行你的程序，在指定目录下(logs)生成 event 文件
• 在 logs 所在目录，按住 shift 键，点击右键选择在此处打开 cmd
• 在 cmd 中，输入以下命令启动 tensorboard --logdir=logs（本人的是：E:\python code>tensorboard --logdir=mnist_with_summaries
），注意：logs的目录并不需要加引号, logs 中有多个event 时，会生成scalar 的对比图，但 graph 只会展示最新的结果
• 把下面生成的网址( http://H929R0B7MP1Q9TP:6006 # 每个人的可能不一样) copy 到浏览器中打开即可 ，我首选google浏览器，因为我试了其他的浏览器貌似不行。
• 
   

2. 通过 Ubuntu下的 bash 启动

• 运行你的程序(python my_program.py)，在指定目录下(logs)生成 event 文件
• 在 bash 中，输入以下命令启动 tensorboard --logdir=logs --port=8888，注意：logs的目录并不需要加引号，端口号必须是事先在路由器中配置好的
• 把下面生成的网址(http://ubuntu16:8888 # 把ubuntu16 换成服务器的外部ip地址即可) copy 到本地浏览器中打开即可 
  

---

六、使用 TF 实现mnist手写数据集(并使用 TensorBoard 可视化)

• 多个event的loss对比图以及网络结构图(graph)已经在上面展示了，这里就不重复了。
• 最下面展示了网络的训练过程以及最终拟合效果图

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
# _*_ encoding=utf-8 _*_
import  tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
max_step =1000
learning_rate = 0.001
dropout = 0.9
data_dir ='E:\\python code'
log_dir = 'E:\\python code\\mnist_with_summaries'
mnist = input_data.read_data_sets(data_dir, one_hot=True)
sess = tf.InteractiveSession()
config = tf.ConfigProto(allow_soft_placement=True)
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
config.gpu_options.allow_growth = True


# 设置 with tf.name_space 来限定命名空间，以下的所有的节点都会以input/xxx的 形式保存
with tf.name_scope('input'):
    x = tf.placeholder(dtype=tf.float32, shape=[None,784], name='x-input')
    y_ = tf.placeholder(dtype=tf.float32, shape=[None,10], name='y-input')

with tf.name_scope('input_reshape'):
    image_shaped_input = tf.reshape(x,[-1, 28, 28, 1])
    tf.summary.image('input',image_shaped_input, 10)

def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1,shape=shape)
    return tf.Variable(initial)

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)


def nn_layer(input_tensor, input_dim, output_dim, layer_name,
             act =tf.nn.relu):
    with tf.name_scope(layer_name):
        with tf.name_scope('weights'):
            weightses = weight_variable([input_dim, output_dim])
            variable_summaries(weightses)
        with tf.name_scope('bias'):
            biases = bias_variable([output_dim])
            variable_summaries(biases)
        with tf.name_scope('Wx_plus_b'):
            preactivate = tf.matmul(input_tensor, weightses)+biases
            tf.summary.histogram('pre_activations', preactivate)
        activations = act(preactivate, name='activation')
        tf.summary.histogram('activations',activations)
        return activations


hiddens = nn_layer(x,784,500,'layer1')
with tf.name_scope('dropout'):
    keep_prob =tf.placeholder(tf.float32)
    tf.summary.scalar('keep_prob', keep_prob)
    dropped = tf.nn.dropout(hiddens, keep_prob)

# identity 是一个全等映射的激活函数
y = nn_layer(dropped, 500, 10,'layer2',act=tf.identity)
with tf.name_scope('cross_entropy'):
    diff = tf.nn.softmax_cross_entropy_with_logits_v2(logits=y, labels=y_)
    with tf.name_scope('total'):
        cross_entropy =tf.reduce_mean(diff)
tf.summary.scalar('cross_entorpy',cross_entropy)

with tf.name_scope('train'):
    train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
    with tf.name_scope('accuracy'):
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
tf.summary.scalar('accuracy', accuracy)

# 对前面所有的summary进行了汇总
merged =tf.summary.merge_all()
# 定义两个文件记录器，将其放在两个不同的子目录中分别用来存放训练和测试的日志数据，同时将
# session的计算图的sess.graph加入训练过程的记录器，这样tensorboard的graphs窗口就可以展示整个
# 计算图的可视化效果
train_writer = tf.summary.FileWriter(log_dir + '\\train', sess.graph)
test_writer = tf.summary.FileWriter(log_dir +'\\test')
tf.global_variables_initializer().run()



def feed_dict(train):
    if train:
        xs,ys =  mnist.train.next_batch(100)
        k = dropout

    else:
        xs, ys = mnist.test.images , mnist.test.labels
        k =1.0
    return {x:xs,y_:ys,keep_prob:k}


# 创建了模型的保存器
saver =tf.train.Saver()

for i in range(max_step):
    if i %10==0:
        summary, acc = sess.run([merged, accuracy],feed_dict=feed_dict(False))
        test_writer.add_summary(summary, i)
        print('Accuracy at step %s: %s' %(i, acc))

    else:
        if i%100==99:
            run_options = tf.RunOptions(trace_level =tf.RunOptions.FULL_TRACE)
            run_metadata = tf.RunMetadata()
            summary,_ = sess.run([merged, train_step],feed_dict=feed_dict(True),
                                 options=run_options, run_metadata = run_metadata)
            train_writer.add_run_metadata(run_metadata, 'step%03d'%i)
            train_writer.add_summary(summary, i)
            saver.save(sess, log_dir+'\\model.ckpt',i)
            print('Add run metadata for ', i)
        else:
            summary,_ = sess.run([merged, train_step], feed_dict=feed_dict(True))
            train_writer.add_summary(summary,i)
train_writer.close()
test_writer.close()

 这是可视化的结果：