你如何以编程方式读取 Tensorboard 文件？

Posted 2023-02-23

【中文标题】你如何以编程方式读取 Tensorboard 文件？

【英文标题】：How do you read Tensorboard files programmatically?

【发布时间】：2017-04-25 18:35:17

【问题描述】：

如何在不启动 GUI tensorboard --logdir=... 的情况下编写 Python 脚本来读取 Tensorboard 日志文件、提取损失和准确率等数值数据？

【参考方案1】：

您可以使用 TensorBoard 的 Python 类或脚本来提取数据：

How can I export data from TensorBoard?

如果您想导出数据以在其他地方进行可视化（例如 iPython Notebook），这也是可能的。您可以直接依赖 TensorBoard 用于加载数据的底层类：python/summary/event_accumulator.py（用于从单次运行中加载数据）或python/summary/event_multiplexer.py（用于从多次运行中加载数据，并使其保持井井有条）。这些类加载事件文件组，丢弃因 TensorFlow 崩溃而“孤立”的数据，并按标签组织数据。

作为另一种选择，有一个脚本 (tensorboard/scripts/serialize_tensorboard.py) 可以像 TensorBoard 一样加载 logdir，但将所有数据以 json 格式写入磁盘，而不是启动服务器。该脚本设置为制作“假 TensorBoard 后端”以进行测试，所以它的边缘有点粗糙。

使用EventAccumulator：

# In [1]: from tensorflow.python.summary import event_accumulator  # deprecated
In [1]: from tensorboard.backend.event_processing import event_accumulator

In [2]: ea = event_accumulator.EventAccumulator('events.out.tfevents.x.ip-x-x-x-x',
   ...:  size_guidance= # see below regarding this argument
   ...:      event_accumulator.COMPRESSED_HISTOGRAMS: 500,
   ...:      event_accumulator.IMAGES: 4,
   ...:      event_accumulator.AUDIO: 4,
   ...:      event_accumulator.SCALARS: 0,
   ...:      event_accumulator.HISTOGRAMS: 1,
   ...:  )

In [3]: ea.Reload() # loads events from file
Out[3]: <tensorflow.python.summary.event_accumulator.EventAccumulator at 0x7fdbe5ff59e8>

In [4]: ea.Tags()
Out[4]: 
'audio': [],
 'compressedHistograms': [],
 'graph': True,
 'histograms': [],
 'images': [],
 'run_metadata': [],
 'scalars': ['Loss', 'Epsilon', 'Learning_rate']

In [5]: ea.Scalars('Loss')
Out[5]: 
[ScalarEvent(wall_time=1481232633.080754, step=1, value=1.6365480422973633),
 ScalarEvent(wall_time=1481232633.2001867, step=2, value=1.2162202596664429),
 ScalarEvent(wall_time=1481232633.3877788, step=3, value=1.4660096168518066),
 ScalarEvent(wall_time=1481232633.5749283, step=4, value=1.2405034303665161),
 ScalarEvent(wall_time=1481232633.7419815, step=5, value=0.897326648235321),
 ...]

size_guidance:

size_guidance: Information on how much data the EventAccumulator should
  store in memory. The DEFAULT_SIZE_GUIDANCE tries not to store too much
  so as to avoid OOMing the client. The size_guidance should be a map
  from a `tagType` string to an integer representing the number of
  items to keep per tag for items of that `tagType`. If the size is 0,
  all events are stored.

【讨论】：

您能否提供一个工作示例，说明在这些脚本中究竟要使用什么？

从 Tensorflow 1.1.0 版本开始，event_accumulator 已移至 tensorflow/tensorflow/tensorboard/backend/event_processing。要使代码在 1.1.0 版中工作，导入语句应为 from tensorflow.tensorboard.backend.event_processing import event_accumulator more info here

从 1.3 开始，它已从 TensorFlow 存储库移至专用的 TensorBoard 存储库。新家：github.com/tensorflow/tensorboard。可以作为独立包进行 pip 安装，导入语句现在为：from tensorboard.backend.event_processing import event_accumulator

似乎 API 已更改，并且自 TensorFlow 1.1+ 以来无法使用。

仅供参考：我创建了一个工具，可以聚合多个 tensorboard 摘要并将结果保存到新的 tensorboard 摘要或.csv 文件中。看看这里：github.com/Spenhouet/tensorboard-aggregator

【参考方案2】：

要完成 user1501961 的回答，您可以使用 pandas pd.DataFrame(ea.Scalars('Loss)).to_csv('Loss.csv') 轻松将标量列表导出到 csv 文件