TensorFlow学习系列之九：如何利用可视化数据流图TensorBoard？
一、背景
人们在训练庞大而复杂的深度神经网络时，经常会出现难以理解的运算。而人类是有“视觉青睐”的，也就是说，人们通常对图片带来的信息更善于理解。为了迎合这一特性，也为了更方便理解、调试与优化程序，TensorFlow提供一个非常好用的可视化工具——TensorBoard，它能够可视化机器学习的流程，绘制图像生成的定量指标图以及附加数据。
下面我们就以范例【11-1】这个简单的程序，来说明如何利用TensorBoard。首先，我们要让TensorFlow把运行时的数据快照写到磁盘，以方便在TensorBoard读取，这时我们需要利用一个Python类，叫FileWriter，它是summary的子类。改写【范例11-1】，添加有关可视化的语句，如【范例11-2】所示。
二、范例
【范例11-2】将数据流数据写入磁盘（TensorBoard.py）import tensorflow as tf
a = tf.constant(4, name = "input_a")
b = tf.constant(2, name = "input_b")
c = tf.multiply(a,b, name ="mul_c")
d = tf.add(a,b, name = "add_d")
e = tf.add(c,d, name = "add_e")
with tf.Session() as sess:
print(sess.run(e))
writer = tf.summary.FileWriter('./my_graph/1')
writer.add_graph(sess.graph)三、范例解析
相比于【范例11-1】，本例添加了第11~12行代码。第11行代码的功能设置数据流图数据的写入路径“./my_graph/1”（当然，这个目录并非是固定的，读者需要根据自己的图日志数据存储而做相应的调整，）。第12行代码将当前会话的图数据，写入指定路径下的文件中（文件名读者无需关心，TensorFlow有自己的一套文件命名方式）。
按“Shift +Enter”组合键，在Jupyter中运行这个程序，可以发现，程序的运行结果并没有发生任何改变，依然是“14”，但有关图运行的事件日志数据已经被写入到指定路径。
yhilly@ubuntu:~/tf-notebooks$ pwd #查看当前工作目录
/home/yhilly/tf-notebooks
yhilly@ubuntu:~/tf-notebooks$ ls my_graph/1/ #显示指定目录的文件
events.out.tfevents.1511860910.ubuntu
或许你会疑惑，这个文件内容有点看不明白啊。是的，这些内容都是使用Protocol Buffer协议序列化之后的数据，它的设计目的并不是让“人”来懂的，懂它的是TensorBoard，它可以帮助我们总结（summary）出来要义。下面我们就调用TensorBoard来解析它。在终端命令行模式下输入如下指令：
yhilly@ubuntu:~/tf-notebooks$ tensorboard --logdir=./my_graph/1
TensorBoard 1.7.0 at http://ubuntu:6006 (Press CTRL+C to quit)从TensorBoard的启动参数选项“--logdir”可知，其后跟随的参数就是tf.summary.FileWriter写入事件日志文件的目录路径。请注意，这里指定的是日志文件（Event Files）所在的“目录”，而非具体的“日志文件”。
这是因为，TensorBoard在加载日志文件时，会把日志目录下的所有事件文件，全部读取出来，一并分析。这样做是有原因的，因为深度学习项目在训练过程中，会因各式各样的错误终止，而后又重新执行，这样每次都会生成一个事件文件，一并读取出来的好处在于，有参照对比的功效。这就好比，人们在看病时，为了准确诊断病情，医生还希望看到以前的诊断记录。
实际上，除了前面讲到参数“--logdir”之外，TensorBoard还有其他启动参数，下面一并给予简单介绍。
--port 设置Web服务端口号，如果不设置，默认值是6006
--event_file 指定一个特定的事件日志文件
--reload_interval Web服务后台重新加载数据的间隔，默认值为120秒从TensorBoard启动后显示的提示信息可知，由于我们并没有手动设置服务端口号，TensorBoard会在后台自动开启了一个端口号为6066的Web服务。该服务进程能从事件日志文件中，读取必要的数据流图的概要（Summary）信息，然后将这些信息绘制成能在网页显示的图片。
在浏览器地址栏中，输入http://ubuntu:6006，即可访问这个服务。实际上，这个“ubuntu”仅是笔者localhost（本机）的主机名，所以在浏览器地址栏中输入http://localhost:6006，二者的效果是一样的。读者应根据TensorBoard的提示信息，灵活调整在地址栏的输入链接地址。
【范例11-2】的数据流程图（部分）如图11-29所示。我们可以用鼠标拖动这个图的显示区域，还可以利用鼠标滑轮放大或缩小该图。
事实上，除了前面介绍的生成上述计算结构图（使用tf.summary.FileWriter），还可生成如下四类概要数据，分别简介如下：
（1）标量数据，如代价损失值、准确率等，这时需要使用tf.summary.scalar算子。
（2）参数数据，参数矩阵（weights）、偏置（bias）矩阵等，可使用tf.summary.histogram直方图算子。
（3）音频数据，使用tf.summary.audio算子。
（4）图像数据，使用tf.summary.image算子。
所有这些记录摘要算子，因为它们没有被其他计算节点所依赖，所以不会自动触发执行。因此，想运行它们，必需手动在Session.run()中主动触发。
节选自 张玉宏《深度学习之美》部分章节，电子工业出版社，博文视点，2018年6月出版
To be continued~~~