tf.summary简单解析

Summary是为了给tensorboard提供数据，而tensorboard在tensorflow是一种非常方便和实用的内置可视化工具，但可视化对程序来说显然不是必须的。

其中包含以下几种数据结构：

• Scalars
• Images
• Audio
• Graph
• Distribution
• Histograms
• Embeddings

对应的都有tf.summary.xxx(xxx为上面提到的数据结构形式)

对于任何一个 tf.summary.xxx源码中都有默认collection=None这个参数，实际是将summary这个op收集到[tf.GraphKeys.SUMMARIES]这个内部维护的collection当中。

tf.summary.xxx的实质

举个栗子，通常，我们需要sess.run(train_op, feed_dict=...)来进行训练，train_op显然是依赖于loss计算，但所有的tf.summary.xxx操作都是图的最外层操作，一般来说不被任何别的op或Variable依赖，而为了可视化loss，我们又需要让tf.summary.scalar('loss', self.loss)run起来，所以程序可以不加sess.run(loss, feed_dict=...)，而需要sess.run(summary_op, feed_dict=...)。
当我们想可视化的东西太多了，我们就需要诸多的sess.run(summary_op_i, feed_dict=...)操作，在tf中又可以用merged_op = tf.summary.merge_all()来把所有的sess.run(summary_op_i, feed_dict=...)合并起来，仅sess.run(merged_op, feed_dict=...)即可

可以理解为， tf.summary.merge_all()是遍历collection，对其分别做.summary.xxx()操作

示例：

import tensorflow as tf
global_step = tf.Variable(0, trainable=False)
increment_op = tf.assign_add(global_step, tf.constant(1))
lr = tf.placeholder(tf.float32)
learning_rate = tf.train.exponential_decay(lr, global_step, 
							decay_steps=1, decay_rate=0.9, staircase=False)

one_op = tf.summary.scalar('learning_rate', learning_rate)
two_op = tf.summary.scalar('test', increment_op)
merged_op = tf.summary.merge_all()

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    summary_writer = tf.summary.FileWriter('./log/', sess.graph) # 指定检测结果的输出目录
    for step in range(0, 10):
        val,num_step = sess.run((merged_op, increment_op), {
     lr:0.1})
        summary_writer.add_summary(val, global_step=num_step) # 写入文件

---

查看结果

terminal下：tensorboard --logdir ./log/
再打开chrome，输入地址http://localhost:6006即可看见
其中端口号可以再terminal下指定，相应链接也修改

.#