tensorboard基础使用

Posted coolqiyu

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了tensorboard基础使用相关的知识,希望对你有一定的参考价值。

github上的tensorboard项目:https://github.com/tensorflow/tensorboard/blob/master/README.md

目录

  • 基础介绍
  • 基本使用
  • 几种图
  • 源码

一、基本介绍

tensorboard:一个网页应用,可以方便观察TensorFlow的运行过程和网络结构等(过程可视化)

工作流程

  • Summary Ops:从TensorFlow获取数据

Ops是指tf.matmul、tf.nn.relu等,也就是在TensorFlow图中的操作

执行过程中的张量包含序列化的原始缓存,它会被写到磁盘并传给TensorBoard。然后需要执行summary op,来恢复这些结果,实现对TensorBoard中的数据可视化

summary ops包括:tf.summary.scalar, tf.summary.image, tf.summary.audio, tf.summary.text, tf.summary.histogram

  • tags:给数据一个名字

当进行summary op时,也可以给一个tag。这个tag是该op记录的数据的名字,作为一种标识

  • Event Files和logDir:如何加载数据

summary.FileWriters从TensorFlow把summary 数据写到磁盘中特定的目录,也就是logDir。数据是以追加的方式写入,文件名中有"tfevents"。TensorBoard从一个完整的目录中读取数据,并组织成一次TensorFlow执行过程

说明

  • 为什么不是从一个独立文件读取?

如果你用superviosr.py来跑模型,当TensorFlow崩溃,superviso将从一个checkpoint重新开始跑。因为重新开始,就会产生一个新的event 文件,然后TensorBoard就可以把这些不同的event文件组织成一个连续的历史

  • 执行:比较模型的不同执行

比如对某个超参数做了调整,想要比较该超参数不同值的执行效果。希望可视化的时候,可以同时展示这两个效果

实现方法:给TensorBoard传一个参数logdir,它将递归查找,每次遇到一个子目录,就会把它当成一个新的执行。

例:下面有run1和run2两个结果

/some/path/mnist_experiments/   

  /some/path/mnist_experiments/run1/     

    /some/path/mnist_experiments/run1/events.out.tfevents.1456525581.name     

    /some/path/mnist_experiments/run1/events.out.tfevents.1456525585.name   

  /some/path/mnist_experiments/run2/     

    /some/path/mnist_experiments/run2/events.out.tfevents.1456525385.name

 

/tensorboard --logdir /some/path/mnist_experiments

二、基本操作

  1. 定一个writer(log位置),用来写summary结果:train_writer = tf.summary.FileWriter("./resource/logdir", sess.graph)
  2. 对要统计的变量使用summary操作:比如               tf.summary.scalar("accuarcy_train", accuracy_train)  对精确度的统计,第一个参数是名字,第二个参数是变量名
  3. 把所有summary操作merge起来:                           merged = tf.summary.merge_all()
  4. 执行过程中fetch merged获得想要的变量值:        summary, _ = sess.run([merged, train_step], feed_dict={x: batch_xs, y_: batch_ys})
  5. 把第i次迭代的结果summary添加到train_writer:   train_writer.add_summary(summary, i)
  6. 关闭写                                                                       train_writer.close()
  7. 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

三、几种图

Scalar Dashboard: tf.summary.scalar

将标量值随时间时间变化进行可视化,如losss或学习率

技术分享图片

Histogram Dashboard: tf.summary.histogram

张量随时间变化的分布情况。每个图表是数据的临时切片,每个切片是特定一步的张量的柱状图。越早的时间步结果越靠后

overlay-step                                                                                                     offset-step

 技术分享图片技术分享图片

Distribution Dashboard: tf.summary.histogram

tf.summary.histogram的另一种展示方式。每一行代表一个值随时间步的变化情况。最下面是最小的值,向上值不断增大。每一列代表一个时间步中值的取值范围

技术分享图片

Image Dashboard:tf.summary.image

展示png图像,每一行对应不同的tag,每一列是一个执行。tf.summary.image("images", tf.reshape(input_images, [100, 28, 28, 1]))

技术分享图片

 

Audio Dashboard:tf.summary.audio(没用过)

嵌入可播放的音频容器。每行对应不同的tag,每列是一次运行。总是嵌入最新的一次结果

Graph Explorer

对TensorFlow模型的可视化

Embedding Projector

展示高维度的数据。projector是从模型的checkpoint文件读取数据,也可以用其他metadata配置,比如词汇表或雪碧图

Text Dashboar(没用过)

四、源码

 

技术分享图片
 1 def tensorboard():
 2     # None表示此张量的第一个维度可以是任何长度的
 3     x = tf.placeholder("float", [None, 784])
 4     y_ = tf.placeholder("float", [None, 10])  # 标签,正确结果
 5 
 6     # 初始化两个参数
 7     W = tf.Variable(tf.zeros([784, 10]))
 8     b = tf.Variable(tf.zeros([10]))
 9     m = [1,2,3,4,5,6]
10     tf.summary.histogram("xx", b)
11     # softmax函数
12     y = tf.nn.softmax(tf.matmul(x, W) + b)  # 执行结果
13 
14     # 交叉熵,成本函数
15     # tf.reduce_sum 计算张量的所有元素的总和
16     cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
17 
18     # 梯度下降法来优化成本函数
19     # 下行代码往计算图上添加一个新操作,其中包括计算梯度,计算每个参数的步长变化,并且计算出新的参数值
20     train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
21 
22     init = tf.initialize_all_variables()
23     mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
24 
25     prediction_train = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
26     accuracy_train = tf.reduce_mean(tf.cast(prediction_train, "float"))
27     tf.summary.scalar("accuarcy_train", accuracy_train)
28 
29     # 显示图像
30     batch_xs, batch_ys = mnist.train.next_batch(100)
31     tf.summary.image(images, tf.reshape(batch_xs, [100, 28, 28, 1]))
32 
33     # 用于tensorboard
34     merged = tf.summary.merge_all()
35 
36     with tf.Session() as sess:
37         sess.run(init)
38         train_writer = tf.summary.FileWriter("./resource/mnist_logs", sess.graph)
39 
40         # 循环遍历1000次训练模型
41         for i in range(1000):
42             # 每一步迭代加载100个训练样本,然后执行一次train_step,并通过feed_dict将x 和 y张量占位符用训练训练数据替代
43             summary, _ = sess.run([merged, train_step], feed_dict={x: batch_xs, y_: batch_ys})
44 
45             if i % 10 == 0:
46                 train_writer.add_summary(summary, i)
47                 for index, d in enumerate(m):
48                     m[index] -= 0.1
49             batch_xs, batch_ys = mnist.train.next_batch(100)
50         train_writer.close()
51 
52         correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
53         accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
54         print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
View Code

 


以上是关于tensorboard基础使用的主要内容,如果未能解决你的问题,请参考以下文章

tensorboard 恢复预训练模型,在此基础上继续训练(对于.ckpt,.h)!

keras与tensorboard结合使用

keras与tensorboard结合使用

TensorFlow基础笔记 Tensorboard可视化显示

TensorFlow基础9——tensorboard显示网络结构

使用python代码读取准确性而不是tensorboard