閱讀(10.2k) 書簽贊(0) 我要糾錯

TensorBoard可視化結構管理工具在Windows下的使用

2018-09-01 21:50 更新

遵循：BY-SA 署名-相同方式共享 4.0協(xié)議

作者：譚東

時間：2017年6月10日

環(huán)境：Windows 7

TensorBoard是TensorFlow自帶的可視化結構管理和調試優(yōu)化網絡的工具。在我們學習深度學習網絡框架時，我們需要更直觀的看到各層網絡結構和參數，也可以更好的進行調試優(yōu)化網絡。TensorBoard可以實現網絡結構的顯示，也可以進行顯示訓練及測試過程中各層參數的變化情況。

我們先看下TensorBoard的大致界面。

我們可以看到頂部有幾個功能分類：SCALARS、IMAGES、AUDIO、GRAPHS等。

SCALARS是訓練參數統(tǒng)計顯示，可以看到整個訓練過程中，各個參數的變換情況。

官方英文翻譯：

TensorBoard的標量儀表板可視化隨時間變化的標量統(tǒng)計; 例如，您可能需要跟蹤模型的損失或學習率。如關鍵概念所述，您可以比較多個運行，數據按標簽組織。折線圖具有以下交互作用：

點擊每個圖表左下角的小藍色圖標將展開圖表
在圖表上拖動矩形區(qū)域將放大
雙擊圖表將縮小
鼠標在圖表上會產生十字準線，數據值記錄在左側的運行選擇器中。

此外，您可以通過在儀表板左上角的框中編寫正則表達式來創(chuàng)建新的文件夾來組織標簽。

IMAGES輸入和輸出標簽。

官方翻譯：

圖像儀表板可以顯示通過tf.image_summary保存的png。設置儀表板，使每行對應一個不同的標簽，每列對應一個運行。由于圖像顯示板支持任意的png，您可以使用它將自定義可視化（例如，matplotlib散點圖）嵌入到TensorBoard中。此儀表板總是顯示每個標簽的最新圖像。

AUDIO官方英文翻譯：

音頻儀表板可以嵌入通過tf.audio_summary保存的音頻的可播放音頻小部件。設置儀表板，使每行對應一個不同的標簽，每列對應一個運行。此儀表板將為每個標簽嵌入最新的音頻。

GRAPH是網絡結構顯示。

官方英文翻譯：

圖形瀏覽器可以顯示TensorBoard圖形，從而可以檢查TensorFlow模型。為了最好地利用圖形可視化程序，您應該使用名稱范圍來對圖形中的op進行分層分組，否則圖形可能難以破譯。有關更多信息，包括示例，請參閱圖形可視化程序教程。

HISTOGRAM是訓練過程參數分布情況顯示。

官方英文翻譯：

直方圖儀表板用于可視化Tensor的統(tǒng)計分布隨時間變化。它可視化通過tf.histogram_summary記錄的數據。現在，它的名字有點不正確，因為它不顯示直方圖;相反，它顯示了一些關于分配的高級統(tǒng)計數據。圖表上的每一行表示數據分布中的百分位數：例如，底線顯示了最小值隨時間變化的方式，中間的行顯示了中位數的變化。從上到下，行具有以下含義：[最大，93％，84％，69％，50％，31％，16％，7％，最低]。這些百分位數也可以視為正態(tài)分布的標準偏差邊界：[最大值，μ+1.5σ，μ+σ，μ+0.5σ，μ，μ-0.5σ，μ-σ，μ-1.5σ，最小值]使得從內到外讀取的著色區(qū)域分別具有寬度[σ，2σ，3σ]。這種直方圖可視化有點奇怪，不能有意義地表示多模態(tài)分布。我們正在研究一個真正的直方圖替換。

官方英文介紹地址：https://github.com/tensorflow/tensorflow/tree/r0.9/tensorflow/tensorboard

注意，本文是在Windows下運行的。

首先我們先寫一個Python代碼，用來運行顯示圖形層級結構。

"""
Please note, this code is only for python 3+. If you are using python 2+, please modify the code accordingly.
"""
from __future__ import print_function
import tensorflow as tf


def add_layer(inputs, in_size, out_size, activation_function=None):
    # add one more layer and return the output of this layer
    with tf.name_scope('layer'):
        with tf.name_scope('weights'):
            Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')
        with tf.name_scope('biases'):
            biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)
        if activation_function is None:
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b, )
        return outputs


# define placeholder for inputs to network
with tf.name_scope('inputs'):
    xs = tf.placeholder(tf.float32, [None, 1], name='x_input')
    ys = tf.placeholder(tf.float32, [None, 1], name='y_input')

# add hidden layer
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# add output layer
prediction = add_layer(l1, 10, 1, activation_function=None)

# the error between prediciton and real data
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                                        reduction_indices=[1]))

with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

sess = tf.Session()

# tf.train.SummaryWriter soon be deprecated, use following
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:  # tensorflow version < 0.12
    writer = tf.train.SummaryWriter('C:/logs/', sess.graph)
else: # tensorflow version >= 0.12
    writer = tf.summary.FileWriter("C:/logs/", sess.graph)

# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
    init = tf.initialize_all_variables()
else:
    init = tf.global_variables_initializer()
sess.run(init)

# direct to the local dir and run this in terminal:
# $ tensorboard --logdir=logs

然后點擊Run運行Python代碼。