（傻瓜教程）TensorBoard可视化工具简单教程及讲解（TensorFlow和Keras）

    首先庆祝踩坑踩了一万个的我终于搞懂TensorBoard的原理了，是我太蠢了！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！

 

    首先说明一下Tensorboard是个神马东西，官方给出的声明：TensorBoard是一个可视化工具，它可以用来展示网络图、张量的指标变化、张量的分布情况等。特别是在训练网络的时候，我们可以设置不同的参数（比如：权重W、偏置B、卷积层数、全连接层数等），使用TensorBoader可以很直观的帮我们进行参数的选择。它通过运行一个本地服务器，来监听6006端口。在浏览器发出请求时，分析训练时记录的数据，绘制训练过程中的图像。

   都是废话！就是画图的一个工具人罢了！！！

 

  谷歌一下TensorBoard的使用方法，清一色的用Minist手写数据集那个作为案例，好多博客也是，直接上代码看的有点迷，对于我这种没用过TensorBoard的小白来说及其不友好！！

 

接下来是TensorBoard的使用步骤：

一、 按照搭建TensorFlow神经网络的步骤来的话，在最后开始训练的时候，也就是调用modle.fit(一堆参数)，或者生成器modle.fit_generator(又是一堆参数)这俩函数进行训练的时候，用回调函数callbacks来使用TensorBoard，如下：

model.fit_generator(略去一万个参数设置，
             TensorBoard(又是一堆参数)])

二、将TensorBoard加入回调函数后，对它进行参数设置，主要有七个参数：

1、log_dir: 用来保存Tensorboard的日志文件等内容的位置

2、histogram_freq: 对于模型中各个层计算激活值和模型权重直方图的频率。

3、write_graph: 是否在 TensorBoard 中可视化图像。True/False

4、write_grads: 是否在 TensorBoard 中可视化梯度值直方图。True/False

5、batch_size: 用以直方图计算的传入神经元网络输入批的大小。

6、write_images: 是否在 TensorBoard中将模型权重以图片可视化。

7、update_freq: 常用的三个值为’batch’ 、 ‘epoch’ 或 整数。当使用 ‘batch’ 时，在每个 batch 之后将损失和评估值写入到 TensorBoard 中。 ‘epoch’ 类似。如果使用整数，会在每一定个样本之后将损失和评估值写入到 TensorBoard 中。

 

比如说用生成器调函数

model.fit_generator(generate_arrays_from_file(lines[:num_train], batch_size),
            steps_per_epoch=max(1, num_train//batch_size),
            validation_data=generate_arrays_from_file(lines[num_train:], batch_size),
            validation_steps=max(1, num_val//batch_size),
            epochs=10,
            initial_epoch=0,
            callbacks=[checkpoint_period, reduce_lr,TensorBoard(log_dir="MyBoard",write_grads=True,histogram_freq=0)])

三、运行训练代码，训练完成后，右击自己设置的log_dir文件夹，show in explorer，复制当前路径地址，如果训练成功当前路径下会有一个events.out开头的文件。如下：

有个问题，如果运行报错If printing histograms, validation_data must be provided, and cannot be a generator

解决办法是：histogram_freq=0，先关了别用，或者就用fit写，别用生成器。

 

接下来就要开始用tensorboard了！

首先cmd打开命令行，激活你的代码环境，进去你上一步复制的路径，盘符跳转就打个盘号加冒号就行，然后cd 你复制的路径

然后调用

tensorboard --logdir=你创建的文件夹名字

之后会生成一个网址，在屏幕下方，类似于http:/你的电脑名/6006，复制到浏览器打开，最好用谷歌或者火狐，然后就能查看生成的各种可视化结果了。

如果出现这个网址打不开或者图片加载不出来的问题，在上方命令后面加上--host 127.0.0.1，如下：

tensorboard --logdir=Mytensorboard --host=127.0.0.1

最后生成的就是http://127.0.0.1:6006这种，然后进去就可以了。

还有一个方法是不在cmd里面写代码，在pycharm的terminal里面写就能加载出来，很迷，我也是看的别人博客说的顺便记录一下。

四、打开网址你会看见这

上面的图只是部分可视化功能，全部可视化功能还有很多很多，如下：

1.Scalars面板可视化

  Scalars这个面板是最最长常用的面板，主要用于将神经网络训练过程中的acc（训练集准确率）val_acc（验证集准确率），loss（损失值），weight（权重）等等变化情况绘制成折线图。

  它左边有一些参数设置：

Ignore outlines in chart scaling（忽略图表缩放中的轮廓），可以消除离散值

关了：

开着：

 

data downloadlinks(数据下载链接)

就是下面加了个下载链接

smoothing(图像的曲线平滑程度)，较暗的是原曲线，值越大越平滑。

Horizontal Axis(水平轴)的表示，其中水平轴的表示分为3种（STEP代表迭代次数，RELATIVE代表按照训练集和测试集的相对值，WALL代表按照时间。

可以鼠标选中一块区域观察：

第二个按钮可以复原

下面那三按钮可以放大图像看细节，将鼠标移到曲线上会显示该点的一些参数，具体可以自己试一试，一试就啥都会了。

2.Images面板

这个面板会展示训练数据和测试数据在进行预处理后的图片，一般我不用，因为数据量很大，加载可慢.....

3.Graphs面板

这个面板也很常用，它里面画的都是数据流图，主要用于帮助我们理解神经网络的结构，两个节点的连线就是数据流，线的粗细表明两者之间流动的张量多少，越粗越多。右下角是缩略图，滚轮可以操作放大缩小，单击滑动区域或者在右下角选中。

在左侧可以选择迭代步骤，可以用不同的颜色来表示不同的Structrue(整个数据流图的结构)，TPU Compatibility要查看模型的TPU 兼容性图，请在TensorBoard中选择“图形”选项卡，然后选择“ TPU 兼容性”选项。该图以绿色表示兼容（有效）操作，以红色表示不兼容（无效）操作,还有其他的如下：

自己可以慢慢试，其它面板暂时没用到，慢慢更新吧！