在 Jupyter 中可视化 TensorFlow 图的简单方法？

Posted 2023-03-27

【中文标题】在 Jupyter 中可视化 TensorFlow 图的简单方法？

【英文标题】：Simple way to visualize a TensorFlow graph in Jupyter?

【发布时间】：2016-11-06 10:41:55

【问题描述】：

可视化 TensorFlow 图的官方方法是使用 TensorBoard，但有时我只是想在使用 Jupyter 时快速查看一下图。

是否有快速的解决方案，最好是基于 TensorFlow 工具或标准 SciPy 包（如 matplotlib），但如果有必要基于 3rd 方库？

【问题讨论】：

DeepDream recipe 工作得很好，但是 TensorBoard 使用 TensorFlow 添加的内部额外节点来绘制一个难以理解的图形来运行它的操作。为了提高易读性，我写了一个article，其中包含一些指南来定义你的模型，以便更好地了解它。

【参考方案1】：

这是我在某个时候从 Alex Mordvintsev 深梦notebook 中复制的一个食谱

from IPython.display import clear_output, Image, display, html
import numpy as np    

def strip_consts(graph_def, max_const_size=32):
    """Strip large constant values from graph_def."""
    strip_def = tf.GraphDef()
    for n0 in graph_def.node:
        n = strip_def.node.add() 
        n.MergeFrom(n0)
        if n.op == 'Const':
            tensor = n.attr['value'].tensor
            size = len(tensor.tensor_content)
            if size > max_const_size:
                tensor.tensor_content = "<stripped %d bytes>"%size
    return strip_def

def show_graph(graph_def, max_const_size=32):
    """Visualize TensorFlow graph."""
    if hasattr(graph_def, 'as_graph_def'):
        graph_def = graph_def.as_graph_def()
    strip_def = strip_consts(graph_def, max_const_size=max_const_size)
    code = """
        <script>
          function load() 
            document.getElementById("id").pbtxt = data;
          
        </script>
        <link rel="import" href="https://tensorboard.appspot.com/tf-graph-basic.build.html" onload=load()>
        <div style="height:600px">
          <tf-graph-basic id="id"></tf-graph-basic>
        </div>
    """.format(data=repr(str(strip_def)), id='graph'+str(np.random.rand()))

    iframe = """
        <iframe seamless style="width:1200px;height:620px;border:0" srcdoc=""></iframe>
    """.format(code.replace('"', '&quot;'))
    display(HTML(iframe))

然后可视化当前图表

show_graph(tf.get_default_graph().as_graph_def())

如果你的图表保存为 pbtxt，你可以这样做

gdef = tf.GraphDef()
from google.protobuf import text_format
text_format.Merge(open("tf_persistent.pbtxt").read(), gdef)
show_graph(gdef)

你会看到这样的东西

【讨论】：

我刚刚找到你提到的来源。也许您可以将 URL 添加到您的答案中？ github.com/tensorflow/tensorflow/blob/master/tensorflow/…

有没有办法从主图中添加/删除节点，类似于 TensorBoard 功能？

此实现不允许添加/删除节点。一些交互确实有效，但并非如此。

有没有办法对标量摘要执行此操作？

这很棒。谢谢！

【参考方案2】：

我写了一个简单的助手，它从 jupyter notebook 启动一个张量板。只需在笔记本顶部的某处添加此功能

def TB(cleanup=False):
    import webbrowser
    webbrowser.open('http://127.0.1.1:6006')

    !tensorboard --logdir="logs"

    if cleanup:
        !rm -R logs/

然后在生成摘要时运行它TB()。它不是在同一个 jupyter 窗口中打开图表，而是：

启动张量板 使用张量板打开一个新标签 导航到此标签

完成探索后，只需单击选项卡，然后停止中断内核。如果你想清理你的日志目录，运行后，只需运行TB(1)

【讨论】：

@AjaySinghNegi 您必须确保 tensorboard 已安装并且在您启动 Jupyter 的环境中可用。如果仍然无法正常工作，请尝试将 !tensorboard 替换为 tensorboard 二进制文件的完整路径。跨度>

【参考方案3】：

这种可视化的 Tensorboard/iframe 免费版本，可以承认很快就会变得混乱

import pydot
from itertools import chain
def tf_graph_to_dot(in_graph):
    dot = pydot.Dot()
    dot.set('rankdir', 'LR')
    dot.set('concentrate', True)
    dot.set_node_defaults(shape='record')
    all_ops = in_graph.get_operations()
    all_tens_dict = k: i for i,k in enumerate(set(chain(*[c_op.outputs for c_op in all_ops])))
    for c_node in all_tens_dict.keys():
        node = pydot.Node(c_node.name)#, label=label)
        dot.add_node(node)
    for c_op in all_ops:
        for c_output in c_op.outputs:
            for c_input in c_op.inputs:
                dot.add_edge(pydot.Edge(c_input.name, c_output.name))
    return dot

后面可以跟

from IPython.display import SVG
# Define model
tf_graph_to_dot(graph).write_svg('simple_tf.svg')
SVG('simple_tf.svg')

将图形呈现为静态 SVG 文件中的记录

【讨论】：

不错的代码，虽然我想知道为什么 for c_node in all_tens_dict.keys() 循环的元素多于最终图中的节点。

【参考方案4】：

我为张量板集成编写了一个 Jupyter 扩展。它可以：

只需单击 Jupyter 中的按钮即可启动 tensorboard 管理多个张量板实例。 与 Jupyter 界面无缝集成。

Github：https://github.com/lspvic/jupyter_tensorboard

【讨论】：

在此处粘贴答案的基本部分。并且仅使用链接作为参考。

【参考方案5】：

代码

def tb(logdir="logs", port=6006, open_tab=True, sleep=2):
    import subprocess
    proc = subprocess.Popen(
        "tensorboard --logdir=0 --port=1".format(logdir, port), shell=True)
    if open_tab:
        import time
        time.sleep(sleep)
        import webbrowser
        webbrowser.open("http://127.0.0.1:/".format(port))
    return proc

用法

tb()               # Starts a TensorBoard server on the logs directory, on port 6006
                   # and opens a new tab in your browser to use it.

tb("logs2", 6007)  # Starts a second server on the logs2 directory, on port 6007,
                   # and opens a new tab to use it.

启动服务器不会阻止 Jupyter（除了 2 秒以确保服务器在打开选项卡之前有时间启动）。当您中断内核时，所有 TensorBoard 服务器都将停止。

高级用法

如果您想要更多控制权，您可以像这样以编程方式终止服务器：

server1 = tb()
server2 = tb("logs2", 6007)
# and later...
server1.kill()  # stops the first server
server2.kill()  # stops the second server

如果您不想打开新标签页，可以设置open_tab=False。如果 2 秒在您的系统上过多或不够，您还可以将 sleep 设置为其他值。

如果您希望在 TensorBoard 运行时暂停 Jupyter，那么您可以调用任何服务器的 wait() 方法。这将阻止 Jupyter，直到您中断内核，这将停止此服务器和所有其他服务器。

server1.wait()

先决条件

此解决方案假定您已安装 TensorBoard（例如，使用 pip install tensorboard）并且它在您启动 Jupyter 的环境中可用。

致谢

这个答案的灵感来自@SalvadorDali 的答案。他的解决方案既好又简单，但我希望能够在不阻塞 Jupyter 的情况下启动多个 tensorboard 实例。另外，我不喜欢删除日志目录。相反，我在根日志目录上启动 tensorboard，每个 TensorFlow 运行日志都在不同的子目录中。

【讨论】：

我喜欢这个答案。我希望我能投两次票。

【参考方案6】：

TensorBoard Visualize Nodes - Architecture Graph

<img src="https://www.tensorflow.org/images/graph_vis_animation.gif" width=1300 height=680>

【参考方案7】：

TensorFlow 2.0 现在支持TensorBoardinJupyter通过魔术命令（例如%tensorboard --logdir logs/train）。这是教程和示例的link。

[编辑 1、2]

正如@MiniQuark 在评论中提到的，我们需要先加载扩展（%load_ext tensorboard.notebook）。

以下是使用图形模式、@tf.function和tf.keras（在tensorflow==2.0.0-alpha0中）的使用示例：

1。在 TF2 中使用 图形模式 的示例（通过 tf.compat.v1.disable_eager_execution()）

%load_ext tensorboard.notebook
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
from tensorflow.python.ops.array_ops import placeholder
from tensorflow.python.training.gradient_descent import GradientDescentOptimizer
from tensorflow.python.summary.writer.writer import FileWriter

with tf.name_scope('inputs'):
   x = placeholder(tf.float32, shape=[None, 2], name='x')
   y = placeholder(tf.int32, shape=[None], name='y')

with tf.name_scope('logits'):
   layer = tf.keras.layers.Dense(units=2)
   logits = layer(x)

with tf.name_scope('loss'):
   xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)
   loss_op = tf.reduce_mean(xentropy)

with tf.name_scope('optimizer'):
   optimizer = GradientDescentOptimizer(0.01)
   train_op = optimizer.minimize(loss_op)

FileWriter('logs/train', graph=train_op.graph).close()
%tensorboard --logdir logs/train

2。与上面的示例相同，但现在使用 @tf.function 装饰器进行前后传递并且不禁用急切执行：

%load_ext tensorboard.notebook
import tensorflow as tf
import numpy as np

logdir = 'logs/'
writer = tf.summary.create_file_writer(logdir)
tf.summary.trace_on(graph=True, profiler=True)

@tf.function
def forward_and_backward(x, y, w, b, lr=tf.constant(0.01)):

    with tf.name_scope('logits'):
        logits = tf.matmul(x, w) + b
    
    with tf.name_scope('loss'):
        loss_fn = tf.nn.sparse_softmax_cross_entropy_with_logits(
            labels=y, logits=logits)
        reduced = tf.reduce_sum(loss_fn)
        
    with tf.name_scope('optimizer'):
        grads = tf.gradients(reduced, [w, b])
        _ = [x.assign(x - g*lr) for g, x in zip(grads, [w, b])]
    return reduced

# inputs
x = tf.convert_to_tensor(np.ones([1, 2]), dtype=tf.float32)
y = tf.convert_to_tensor(np.array([1]))
# params
w = tf.Variable(tf.random.normal([2, 2]), dtype=tf.float32)
b = tf.Variable(tf.zeros([1, 2]), dtype=tf.float32)

loss_val = forward_and_backward(x, y, w, b)

with writer.as_default():
    tf.summary.trace_export(
        name='NN',
        step=0,
        profiler_outdir=logdir)

%tensorboard --logdir logs/

3。使用tf.keras API：

%load_ext tensorboard.notebook
import tensorflow as tf
import numpy as np
x_train = [np.ones((1, 2))]
y_train = [np.ones(1)]

model = tf.keras.models.Sequential([tf.keras.layers.Dense(2, input_shape=(2, ))])
                                    
model.compile(
    optimizer='sgd',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy'])

logdir = "logs/"

tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=logdir)

model.fit(x_train,
          y_train,
          batch_size=1,
          epochs=1,
          callbacks=[tensorboard_callback])

%tensorboard --logdir logs/

这些示例将在单元格下方生成如下内容：

【讨论】：

或许补充一下需要先加载扩展：%load_ext tensorboard.notebook

@MiniQuark - 在这个时间点，你会建议采用这个公认的答案VS下面的选项（包括你的？）

是的，我绝对推荐这个解决方案，尤其是选项 3，使用 tf.keras（有时选项 2，使用 tf.function）。我认为@Vlad 将选项 1（禁用急切模式）首先显示看起来像 TF 1.x 的代码，然后他使用 tf.function 对其进行了简化，然后使用 tf.keras 对其进行了进一步简化。关键是：tf.keras 让它变得非常简单。

tensorflow.org/tensorboard/tensorboard_in_notebooks

【参考方案8】：

TF 2.x 的另一个快速选项是通过plot_model() 函数。它已经内置到更新版本的 TF 实用程序中。例如：

import tensorflow
from tensorflow.keras.utils import plot_model

plot_model(model, to_file=('output_filename.png'))

这个功能很好，因为您可以让它显示图层名称，以高 DPI 输出，将其配置为水平绘图，以及任何其他选项。这是该函数的文档：https://www.tensorflow.org/api_docs/python/tf/keras/utils/plot_model

即使对于大型模型，绘图也非常快，即使对于具有多个进出连接的复杂模型也能很好地工作。