一、Tensorboard简介

Tensorboard是TensorFlow自带的一个强大的可视化工具，也是一个web应用程序套件。通过将tensorflow程序输出的日志文件的信息可视化使得tensorflow程序的理解、调试和优化更加简单高效。支持其七种可视化：

SCALARS：展示训练过程中的准确率、损失值、权重/偏置的变化情况
IMAGES：展示训练过程中及记录的图像
AUDIO：展示训练过程中记录的音频
GRAPHS：展示模型的数据流图，以及各个设备上消耗的内存和时间
DISTRIBUTIONS：展示训练过程中记录的数据的分布图
HISTOGRAMS：展示训练过程中记录的数据的柱状图
EMBEDDINGS：展示词向量后的投影分布

界面展示：
TensorFlow学习笔记（二）之可视化(Tensorboard）

那如何启动tensorboard呢？使用是手写体识别的例子，源码如下：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os

os.environ["CUDA_VISIBLE_DEVICES"] = "0"
config = tf.ConfigProto(allow_soft_placement=True)
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.33)
config.gpu_options.allow_growth = True

max_steps = 1000  # 最大迭代次数
learning_rate = 0.001  # 学习率
dropout = 0.9  # dropout时随机保留神经元的比例
data_dir = './MNIST_DATA'  # 样本数据存储的路径
log_dir = './MNIST_LOG'  # 输出日志保存的路径

# 获取数据集，并采用采用one_hot热编码
mnist = input_data.read_data_sets(data_dir, one_hot=True)
sess = tf.InteractiveSession(config=config)

with tf.name_scope('input'):
    x = tf.placeholder(tf.float32, [None, 784], name='x-input')
    y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')

# 保存图像信息
with tf.name_scope('input_reshape'):
    image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
    tf.summary.image('input', image_shaped_input, 10)

# 初始化权重参数
def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

# 初始化偏执参数
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

# 绘制参数变化
def variable_summaries(var):
    with tf.name_scope('summaries'):
        # 计算参数的均值，并使用tf.summary.scaler记录
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean', mean)

        # 计算参数的标准差
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        # 使用tf.summary.scaler记录记录下标准差，最大值，最小值
        tf.summary.scalar('stddev', stddev)
        tf.summary.scalar('max', tf.reduce_max(var))
        tf.summary.scalar('min', tf.reduce_min(var))
        # 用直方图记录参数的分布
        tf.summary.histogram('histogram', var)

# 构建神经网络
def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
    # 设置命名空间
    with tf.name_scope(layer_name):
        # 调用之前的方法初始化权重w，并且调用参数信息的记录方法，记录w的信息
        with tf.name_scope('weights'):
            weights = weight_variable([input_dim, output_dim])
            variable_summaries(weights)
        # 调用之前的方法初始化权重b，并且调用参数信息的记录方法，记录b的信息
        with tf.name_scope('biases'):
            biases = bias_variable([output_dim])
            variable_summaries(biases)
        # 执行wx+b的线性计算，并且用直方图记录下来
        with tf.name_scope('linear_compute'):
            preactivate = tf.matmul(input_tensor, weights) + biases
            tf.summary.histogram('linear', preactivate)
        # 将线性输出经过激励函数，并将输出也用直方图记录下来
        activations = act(preactivate, name='activation')
        tf.summary.histogram('activations', activations)
    # 返回激励层的最终输出
    return activations

hidden1 = nn_layer(x, 784, 500, 'layer1')

# 创建dropout层
with tf.name_scope('dropout'):
    keep_prob = tf.placeholder(tf.float32)
    tf.summary.scalar('dropout_keep_probability', keep_prob)
    dropped = tf.nn.dropout(hidden1, keep_prob)

y = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)

# 创建损失函数
with tf.name_scope('loss'):
    # 计算交叉熵损失（每个样本都会有一个损失）
    diff = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)
    with tf.name_scope('total'):
        # 计算所有样本交叉熵损失的均值
        cross_entropy = tf.reduce_mean(diff)
    tf.summary.scalar('loss', cross_entropy)

# 使用AdamOptimizer优化器训练模型，最小化交叉熵损失
with tf.name_scope('train'):
    train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

# 计算准确率
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        # 分别将预测和真实的标签中取出最大值的索引，弱相同则返回1(true),不同则返回0(false)
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    with tf.name_scope('accuracy'):
        # 求均值即为准确率
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

tf.summary.scalar('accuracy', accuracy)

# summaries合并
merged = tf.summary.merge_all()
# 写到指定的磁盘路径中
train_writer = tf.summary.FileWriter(log_dir + '/train', sess.graph)
test_writer = tf.summary.FileWriter(log_dir + '/test')

# 运行初始化所有变量
tf.global_variables_initializer().run()

def feed_dict(train):
    """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
    if train:
        xs, ys = mnist.train.next_batch(100)
        k = dropout
    else:
        xs, ys = mnist.test.images, mnist.test.labels
        k = 1.0
    return {x: xs, y_: ys, keep_prob: k}

for i in range(max_steps):
    if i % 10 == 0:  # 记录测试集的summary与accuracy
        summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
        test_writer.add_summary(summary, i)
        print('Accuracy at step %s: %s' % (i, acc))
    else:  # 记录训练集的summary
        summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
        train_writer.add_summary(summary, i)

train_writer.close()
test_writer.close()

在pycharm中执行这段代码，效果如下：
TensorFlow学习笔记（二）之可视化(Tensorboard）
同时，在训练的时候打开命令行，输入下面命令，启动TesnorBoard:

tensorboard --logdir=./MNIST_LOG/

TensorFlow学习笔记（二）之可视化(Tensorboard）
这里生成一个链接地址，复制到游览器中查看各个模块的内容。

总的来说步骤如下：

创建writer，写日志文件：tf.summary.FileWriter(log_dir + ‘/train’, sess.graph)
保存日志文件：writer.close()
运行可视化命令，启动服务：tensorboard –logdir /path/
打开可视化界面，通过浏览器打开服务器访问端口http://xxx.xxx.xxx.xxx:6006

二、SCALARS面板

SCALARS 面板，统计tensorflow中的标量（如：学习率、模型的总损失）随着迭代轮数的变化情况。SCALARS 面板的左边是一些选项，包括Split on undercores（用下划线分开显示）、Data downloadlinks（数据下载链接）、Smoothing（图像的曲线平滑程度）以及Horizontal Axis（水平轴）的表示，其中水平轴的表示分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）。图中右边给出了准确率变化曲线。
如下图二所示，SCALARS栏目显示通过函数tf.summary.scalar()记录的数据的变化趋势。如下所示代码可添加到程序中，用于记录学习率的变化情况。

tf.summary.scalar('accuracy', accuracy)

TensorFlow学习笔记（二）之可视化(Tensorboard）

SCALARS 面板中还绘制了每一层的偏置（biases）和权重（weights）的变化曲线，包括每
次迭代中的最大值、最小值、平均值和标准差，如下图，layer1层：
TensorFlow学习笔记（二）之可视化(Tensorboard）
layer2层：

构建损失曲线：

tf.summary.scalar('loss', cross_entropy)

TensorFlow学习笔记（二）之可视化(Tensorboard）

三、IMAGES面板

图像仪表盘，可以显示通过tf.summary.image()函数来保存的png图片文件。

1. # 指定图片的数据源为输入数据x，展示的相对位置为[-1,28,28,1] 
2. image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
3. # 将input命名空间下的图片放到summary中，一次展示10张 
4. tf.summary.image('input', image_shaped_input , 10)

如上面代码，将输入数据中的png图片放到summary中，准备后面写入日志文件。运行程序，生成日志文件，然后在tensorboard的IMAGES栏目下就会出现如下图一所示的内容（实验用的是mnist数据集）。仪表盘设置为每行对应不同的标签，每列对应一个运行。图像仪表盘仅支持png图片格式，可以使用它将自定义生成的可视化图像（例如matplotlib散点图）嵌入到tensorboard中。该仪表盘始终显示每个标签的最新图像。
IMAGES面板展示训练过程中及记录的图像，下图展示了数据集合测试数据经过处理后图片的样子：
TensorFlow学习笔记（二）之可视化(Tensorboard）

四、AUDIO

AUDIO 面板是展示训练过程中处理的音频数据。可嵌入音频的小部件，用于播放通过tf.summary.audio()函数保存的音频。一个音频summary要存成的二维字符张量。其中，k为summary中记录的音频被剪辑的次数，每排张量是一对[encoded_audio, label]，其中，encoded_audio 是在summary中指定其编码的二进制字符串，label是一个描述音频片段的UTF-8编码的字符串。
仪表盘设置为每行对应不同的标签，每列对应一个运行。该仪表盘始终嵌入每个标签的最新音频。

五、GRAPHS

GRAPHS 面板是对理解神经网络结构最有帮助的一个面板，它直观地展示了数据流图。下图所示界面中节点之间的连线即为数据流，连线越粗，说明在两个节点之间流动的张量（tensor）越多。
TensorFlow学习笔记（二）之可视化(Tensorboard）

在GRAPHS 面板的左侧，可以选择迭代步骤。可以用不同Color（颜色）来表示不同的Structure（整个数据流图的结构），或者用不同Color 来表示不同Device（设备）。例如，当使用多个GPU 时，各个节点分别使用的GPU 不同。当我们选择特定的某次迭代时，可以显示出各个节点的Compute time（计算时间）以及Memory（内存消耗）。
TensorFlow学习笔记（二）之可视化(Tensorboard）

六、DISTRIBUTIONS

DISTRIBUTIONS 面板和接下来要讲的HISTOGRAMS 面板类似，只不过是用平面来表示来自特定层的激活前后、权重和偏置的分布，它显示了一些分发的高级统计信息。
TensorFlow学习笔记（二）之可视化(Tensorboard）

七、HISTOGRAMS

HISTOGRAMS面板，统计tensorflow中的张量随着迭代轮数的变化情况。它用于展示通过tf.summary.histogram记录的数据的变化趋势。如下代码所示：

# 用直方图记录参数的分布
tf.summary.histogram('histogram', var)

# 执行wx+b的线性计算，并且用直方图记录下来
tf.summary.histogram('linear', preactivate)

# 将线性输出经过激励函数，并将输出也用直方图记录下来
tf.summary.histogram('activations', activations)

上述代码将神经网络中某一层的参数分布、线性计算结果、经过激励函数的计算结果信息加入到日志文件中，运行程序生成日志后，启动tensorboard就可以在HISTOGRAMS栏目下看到对应的展开图像。
HISTOGRAMS 主要是立体地展现来自特定层的激活前后、权重和偏置的分布。
TensorFlow学习笔记（二）之可视化(Tensorboard）

八、EMBEDDINGS

EMBEDDINGS 面板展示的是词嵌入投影仪。（后续做词嵌入的时候更新上…….）

秒客网

TensorFlow学习笔记（二）之可视化(Tensorboard）

一、Tensorboard简介

二、SCALARS面板

三、IMAGES面板

四、AUDIO

五、GRAPHS

六、DISTRIBUTIONS

七、HISTOGRAMS

八、EMBEDDINGS

相关文章