tensorboard & tf.summary 知识点和使用说明

调用tensorboard命令

john@john-wang:~/Vitis-AI_1.2/DenseNet3/trainrestore/trainrestore/build$ tensorboard --logdir=tb_logs

TensorBoard

TensorFlow回调函数：tf.keras.callbacks.TensorBoard
https://www.w3cschool.cn/tensorflow_python/tf_keras_callbacks_TensorBoard.html
tf.summary.FileWriter, tf.summary.scalar, writer.add_graph, writer.add_summary

tf.keras.callbacks.TensorBoard函数

类 TensorBoard
继承自：Callback
定义在：tensorflow/python/keras/callbacks.py。

此回调为TensorBoard编写日志，该日志允许您可视化训练和测试度量的动态图形，也可以可视化模型中不同层的激活直方图。

如果您已经使用pip安装了TensorFlow，那么您应该能够从命令行启动TensorBoard：
tensorboard --logdir=/full_path_to_your_logs

参数：
log_dir：保存TensorBoard要解析的日志文件的目录的路径。
histogram_freq：频率（在epoch中），计算模型层的激活和权重直方图。如果设置为0，则不会计算直方图。必须为直方图可视化指定验证数据（或拆分）。
write_graph：是否在TensorBoard中可视化图像。当write_graph设置为True时，日志文件可能会变得非常大。
write_grads：是否在TensorBoard中可视化渐变直方图。 histogram_freq必须大于0。
batch_size：用以直方图计算的传入神经元网络输入批的大小。
write_images：是否在TensorBoard中编写模型权重以显示为图像。
embeddings_freq：将保存所选嵌入层的频率（在epoch中）。如果设置为0，则不会计算嵌入。要在TensorBoard的嵌入选项卡中显示的数据必须作为embeddings_data传递。
embeddings_layer_names：要关注的层名称列表。如果为None或空列表，则将监测所有嵌入层。
embeddings_metadata：将层名称映射到文件名的字典，其中保存了此嵌入层的元数据。如果相同的元数据文件用于所有嵌入层，则可以传递字符串。
embeddings_data：要嵌入在embeddings_layer_names指定的层的数据。Numpy数组（如果模型有单个输入）或Numpy数组列表（如果模型有多个输入）。
update_freq：‘batch’或’epoch’或整数。使用’batch’时，在每个batch后将损失和指标写入TensorBoard。这同样适用’epoch’。如果使用整数，比方说1000，回调将会在每1000个样本后将指标和损失写入TensorBoard。请注意，过于频繁地写入TensorBoard会降低您的训练速度。
可能引发的异常：

基本操作

定一个writer（log位置），用来写summary结果：writer = tf.summary.FileWriter("./resource/logdir", sess.graph)
对要统计的变量使用summary操作：比如 tf.summary.scalar(“accuarcy”, accuracy)
对精确度的统计，第一个参数是名字，第二个参数是变量名
把所有summary操作merge起来： merged = tf.summary.merge_all()
执行过程中fetch merged获得想要的变量值： summary, _ = sess.run([merged, step], feed_dict={x: batch_xs, y_: batch_ys})
把第i次迭代的结果summary添加到train_writer： writer.add_summary(summary, i)
关闭写 writer.close()
启动tensorboard
windows：进入{path}/Anaconda/Scripts，执行 ./tensorboard.exe --logdir={path}/resource/logdir/
ubuntu：进入{path}/Anaconda/envs/tensorflow/bin，执行 ./tensorboard --logdir={path}/resource/logdir/
　　　根据提示，访问网页即可结果

【TensorFlow】TensorBoard的使用系列文章，向作者 duanlianvip表示感谢！
https://blog.csdn.net/duanlianvip/article/details/98498826
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。
本系列文章一共四篇，由浅入深，以常见的Mnist数据集为实验对象，从实现最简单TensorBoard开始，逐步增加参数、复杂度，最后实现使用TensorBoard工具可视化调参的功能。
TensorBoard的程序需要注意以下几点：
设置保存路径：tenboard_dir = ‘./tensorboard/test1/’
进入test1文件夹的上一层文件夹，在DOS窗口运行命令：tensorboard --logdir=./test1

第一个mnist_board_1.py程序如下

import os
import tensorflow as tf
LOGDIR = './mnist'
mnist = tf.contrib.learn.datasets.mnist.read_data_sets(train_dir=LOGDIR + 'data', one_hot=True)
## 定义基本卷积层
def conv_layer(input, size_in, size_out):
    w = tf.Variable(tf.truncated_normal([5, 5, size_in, size_out], stddev=0.1))
    b = tf.Variable(tf.constant(0.1, shape=[size_out]))
    conv = tf.nn.conv2d(input, w, strides=[1, 1, 1, 1], padding='SAME')
    act = tf.nn.relu(conv + b)
    return tf.nn.max_pool(act, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

## 定义基本连接层
def fc_layer(input, size_in, size_out):
   w = tf.Variable(tf.truncated_normal([size_in, size_out], stddev=0.1))
    b = tf.Variable(tf.constant(0.1, shape=[size_out]))
    act = tf.nn.relu(tf.matmul(input, w) + b)
    return act
 
def mnist_model(learning_rate, use_two_conv, use_two_fc, hparam):
    tf.reset_default_graph()
    sess = tf.Session()

## 预定输入参数
    # setup placeholders, and reshape the data
    x = tf.placeholder(tf.float32, shape=[None, 784])
    x_image = tf.reshape(x, [-1, 28, 28, 1])
     y = tf.placeholder(tf.float32, shape=[None, 10])

## 定义双卷积层
    if use_two_conv:
        conv1 = conv_layer(x_image, 1, 32)
        conv_out = conv_layer(conv1, 32, 64)
    else:
        conv1 = conv_layer(x_image, 1, 64)
        conv_out = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
    flattened = tf.reshape(conv_out, [-1, 7 * 7 * 64])

## 定义双连接层
    if use_two_fc:
        fc1 = fc_layer(flattened, 7 * 7 * 64, 1024)
        embedding_input = fc1
        embedding_size = 1024
        logits = fc_layer(fc1, 1024, 10)
    else:
        embedding_input = flattened
        embedding_size = 7 * 7 * 64
        logits = fc_layer(flattened, 7 * 7 * 64, 10)

## 求最小loss
    xent = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y))
    train_step = tf.train.AdamOptimizer(learning_rate).minimize(xent)

## 求精确度 correct_p
    rediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    emdedding = tf.Variable(tf.zeros([1024, embedding_size]))
    assignment = emdedding.assign(embedding_input)

## 初始化全局变量
    sess.run(tf.global_variables_initializer())
    # 保存路径
    tenboard_dir = './tensorboard/test1/'
 
    # 指定一个文件用来保存图
    writer = tf.summary.FileWriter(tenboard_dir + hparam)
    # 把图add进去
    writer.add_graph(sess.graph)

## 运行2000次，每次100
    for i in range(2001):
        batch = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch[0], y: batch[1]})
 
## 定义参数
def make_hparam_string(learning_rate, use_two_fc, use_two_conv):
    conv_param = 'conv=2' if use_two_conv else 'conv=1'
    fc_param = 'fc=2' if use_two_fc else 'fc=1'
    return 'lr_%.0E,%s,%s' % (learning_rate, conv_param, fc_param)
 
def main():
    # You can try adding some more learning rates
    for learning_rate in [1E-4]:
        # Include 'False' as a value to try different model architectures.
        for use_two_fc in [True]:
            for use_two_conv in [True]:
                # Construct a hyperparameter string for each one(example: 'lr_1E-3,fc=2,conv=2')
                hparam = make_hparam_string(learning_rate, use_two_fc, use_two_conv)
                print('Starting run for %s' % hparam)
                # Actually run with the new settings
                mnist_model(learning_rate, use_two_fc, use_two_conv, hparam)
 
if __name__ == '__main__':
    main()

改进：加上name值，方便在tensorboard里面查看

def conv_layer(input, size_in, size_out, name=‘conv’):
# 定义名字作用域
with tf.name_scope(name):
w = tf.Variable(tf.truncated_normal([5, 5, size_in, size_out], stddev=0.1), name=‘W’)
b = tf.Variable(tf.constant(0.1, shape=[size_out]), name=‘B’)
conv = tf.nn.conv2d(input, w, strides=[1, 1, 1, 1], padding=‘SAME’)
act = tf.nn.relu(conv + b)
# 分布情况：在训练过程中查看分布情况
tf.summary.histogram(‘weights’, w)
tf.summary.histogram(‘biases’, b)
tf.summary.histogram(‘activations’, act)
return tf.nn.max_pool(act, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding=‘SAME’)

def mnist_model(learning_rate, use_two_conv, use_two_fc, hparam):
tf.reset_default_graph()
sess = tf.Session()
# setup placeholders, and reshape the data
x = tf.placeholder(tf.float32, shape=[None, 784], name=‘x’)
x_image = tf.reshape(x, [-1, 28, 28, 1])
# 显示当前的输入：数据集中的图像
tf.summary.image(‘input’, x_image, 3)
y = tf.placeholder(tf.float32, shape=[None, 10], name=‘labels’)

conv1 = conv_layer(x_image, 1, 32, ‘conv1’)
conv_out = conv_layer(conv1, 32, 64, ‘conv2’)

flattened = tf.reshape(conv_out, [-1, 7 * 7 * 64])

with tf.name_scope(‘loss’):
xent = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y), name=‘loss’)
# 指标变化：随着网络的迭代，loss值的变化
tf.summary.scalar(‘loss’, xent)

with tf.name_scope(‘train’):
train_step = tf.train.AdamOptimizer(learning_rate).minimize(xent)

with tf.name_scope(‘accuracy’):
correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 指标变化：随着迭代进行，精度的变化情况
tf.summary.scalar(‘accuracy’, accuracy)

把所有要显示的参数聚在一起

summ = tf.summary.merge_all()

saver = tf.train.Saver()

sess.run(tf.global_variables_initializer())
# 保存路径
tenboard_dir = ‘./tensorboard/test3/’

指定一个文件用来保存图

**writer = tf.summary.FileWriter(tenboard_dir + hparam)**
# 把图add进去
**writer.add_graph(sess.graph)**

for i in range(2001):
batch = mnist.train.next_batch(100)
# 每迭代5次对结果进行保存
if i % 5 == 0:
[train_accuracy, s] = sess.run([accuracy, summ], feed_dict={x: batch[0], y: batch[1]})
writer.add_summary(s, i)
sess.run(train_step, feed_dict={x: batch[0], y: batch[1]})

def main():
# You can try adding some more learning rates
for learning_rate in [1E-4]:

Actually run with the new settings

mnist_model(learning_rate, use_two_fc, use_two_conv, hparam)

if name == ‘main’:
main()

logdir = log_dir(“logreg”)
file_writer = tf.summary.FileWriter(logdir, tf.get_default_graph())
tensorboard --logdir=/full_path_to_your_logs

参数：

log_dir：保存TensorBoard要解析的日志文件的目录的路径。
histogram_freq：频率（在epoch中），计算模型层的激活和权重直方图。如果设置为0，则不会计算直方图。必须为直方图可视化指定验证数据（或拆分）。
write_graph：是否在TensorBoard中可视化图像。当write_graph设置为True时，日志文件可能会变得非常大。
write_grads：是否在TensorBoard中可视化渐变直方图。 histogram_freq必须大于0。
batch_size：用以直方图计算的传入神经元网络输入批的大小。
write_images：是否在TensorBoard中编写模型权重以显示为图像。
embeddings_freq：将保存所选嵌入层的频率（在epoch中）。如果设置为0，则不会计算嵌入。要在TensorBoard的嵌入选项卡中显示的数据必须作为embeddings_data传递。
embeddings_layer_names：要关注的层名称列表。如果为None或空列表，则将监测所有嵌入层。
embeddings_metadata：将层名称映射到文件名的字典，其中保存了此嵌入层的元数据。如果相同的元数据文件用于所有嵌入层，则可以传递字符串。
embeddings_data：要嵌入在embeddings_layer_names指定的层的数据。Numpy数组（如果模型有单个输入）或Numpy数组列表（如果模型有多个输入）。
update_freq：‘batch’或’epoch’或整数。使用’batch’时，在每个batch后将损失和指标写入TensorBoard。这同样适用’epoch’。如果使用整数，比方说1000，回调将会在每1000个样本后将指标和损失写入TensorBoard。请注意，过于频繁地写入TensorBoard会降低您的训练速度。

官方提供的使用例程summary

指定一个文件用来保存图

writer = tf.summary.FileWriter(tenboard_dir + hparam)
# 把图add进去
writer.add_graph(sess.graph)
for i in range(iter_num):
    batch = mnist.train.next_batch(100)
    # 每迭代5次对结果进行保存
    if i % 5 == 0:
        [train_accuracy, s] = sess.run([accuracy, summ], feed_dict={x: batch[0], y: batch[1]})
        writer.add_summary(s, i)

import_meta_graph官方提供的使用例程：

 Create a saver.
saver = tf.train.Saver(...variables...)
 Remember the training_op we want to run by adding it to a collection.
tf.add_to_collection('train_op', train_op)
sess = tf.Session()
for step in xrange(1000000):
    sess.run(train_op)
    if step % 1000 == 0:
        # Saves checkpoint, which by default also exports a meta_graph
        # named 'my-model-global_step.meta'.
        saver.save(sess, 'my-model', global_step=step)

with tf.Session() as sess:
  new_saver = tf.train.import_meta_graph('my-save-dir/my-model-10000.meta')
  new_saver.restore(sess, 'my-save-dir/my-model-10000')
  # tf.get_collection() returns a list. In this example we only want the
  # first one.
  train_op = tf.get_collection('train_op')[0]
  for step in xrange(1000000):
    sess.run(train_op)