TensorFlow学习笔记（四）：Tensorflow网络构建和TensorBoard进行训练过程可视化

用了Anaconda安装了一个tensorflow运行环境以后，终于发现各种操作顺手了一些。但发现运行了一系列的Tutorial运行后，如何组织一个Tensorflow的应用却仍然不是很明确。下面就从python小白的方面理解一下mnist_with_summaries.py这个文件。

0. 相关信息

Tensorflow版本：r0.10.0
Github地址(fork from yhlleo/mnist)：https://github.com/nxcxl88/mnist/tree/r0.10.0-patch-1
MNIST数据相关问题：MNIST数据应该从http://yann.lecun.com/exdb/mnist/下载，即文章给出的四个压缩文件，然后在mnist_with_summaries.py内建立一个文件夹（名称：Mnist_data），把这些压缩文件放进去，mnist_with_summaries.py会调用input_data.py（注意本文章给出的Github文件是yhllleo改动的版本），可以直接处理这些压缩包。

1. mnist_with_summaries.py

这个文件的基本功能还是处理mnist数据集，但是与mnist_softmax.py不同，mnist_with_summaries.py有两层神经网络并且加入的dropout机制，所以准确率和收敛速度相比softmax要高。下图是该文件的计算graph，不是很清晰，不过可以在Tensorboard中看到（后面会具体说到）。 TensorFlow学习笔记（四）：Tensorflow网络构建和TensorBoard进行训练过程可视化

TensorFlow学习笔记（四）：Tensorflow网络构建和TensorBoard进行训练过程可视化

mnist_with_summaries.py的graph
这个文件的核心是train函数，里面包含有数据输入，网络结构定义，网络训练以及测试。

1.1 网络结构定义

网络结构定义是通过一个个with tf.name_scope函数调用进行的（关于with的文章），每一个scope可以用名称代表一个有意义的运算，依次调用tf.name_scope函数定义层次名称，并在其范围内定义运算，就将这些运算按顺序组织起来。其实如果不调用tf.name_scope也可以，比如mnist_softmax.py，但是这样结构比较散乱，不利于大型网络的组织。在mnist_with_summaries.py中构成网络的四条语句是： 1. with tf.name_scope('input'): 2. hidden1 = nn_layer(x, 784,500,'layer1') 3. with tf.name_scope('dropout'): 4. y = nn_layer(dropped, 500,10,'layer2',act=tf.nn.softmax) 其中nn_layer是自定义的函数，设计的很巧妙，包含了输入张量，输入尺寸，输出尺寸，名称，以及激活函数形式，比如在layer1是ReLu，在layer2就接的是softmax。

1.2 训练过程

训练过程的重点步骤是：

1. 118－120行：计算交叉熵：diff = y_ * tf.log(y)　cross_entropy = -tf.reduce_mean(diff)

2. 124行：调用优化器进行训练：train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(cross_entropy)

3.164\172：通过session.run调用train_step进行运算和参数调整，在该过程中就会自动调用前向运算过程。

1.3 测试过程

测试集和训练集的切换通过feed_dict函数进行切换，当train为true时，调用训练集中数据，反之调用测试集数据。

测试在157行，计算准确度accuracy，通过session.run()进行调用：summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))

2. TensorBoard训练过程可视化

Tensorboard.py的路径是（对于安装anaconda）：anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/tensorboard/tensorboard.py

运行的命令是python tensorboard.py --logdir=/tmp/mnist_logs/

Tensorboard不是无缘无故显示出各种统计数据，而需要在mnist_with_summaries.py中定义两种类型的数据记录：计算图可视化，以及训练过程可视化。

计算图可视化就是前面提到的with语句，以及在数据定义过程中赋予的name变量，如tf.placeholder(tf.float32, [None, 784], name='x-input')中，x-input就是为了计算图可视化所设置的名称变量。另外，还需要调用SummaryWriter将图写入文件夹。可以参见极客学院的wiki:计算图可视化。

训练过程可视化，则需要在mnist_with_summaries.py中加入summary语句，summary有以下几种： tf.scalar_summary用于记录数据， tf.image_summary用于记录图片， tf.histogram_summary则会计算某个数据的分布， tf.nn.zero_fraction和tf.scalar_summary配合使用，记录矩阵0元素，tf.merge_summary和tf.merge_all_summaries用于归集summary。在运行session时，还需要将summary的变量带入计算，可以参见极客学院的wiki：训练过程可视化。

（2017.4.20 Tensorflow 0.12对summary进行了进一步规范，需要调用tf.summary.scalar函数进行数据记录的定义）

为了将训练过程和测试过程的数据分隔开，可以使用两个文件夹记录数据：

train_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/train', sess.graph)

test_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/test')

注意第一次调用SummaryWriter的时候写入了计算图信息，如果不写，tensorboard也是无法显示计算图的，会出现No graph definition files were found.的错误。

2.1 记录不在session graph中的数据

利用tf.summary.scalar等函数定义的量一般都是在定义session的过程中进行定义，需要通过session.run来进行数据记录，当出现在graph以外的数据时，就无法通过session.run来获得summary proto，就需要自己进行数据定义，否则调用add_summary函数添加记录时就会出现如下的错误：“expected tensorflow.Summary got Tensor”

这时候就需要另外定义summary数据类型来进行数据记录：

from tensorflow.core.framework import summary_pb2

value = summary_pb2.Summary.Value(tag="Accuracy", simple_value=0.95)
summary = summary_pb2.Summary(value=[value])

秒客网