| 编辑推荐: |
本文主要介绍了 使用TensorBoard展示数据,将各种类型的数据汇总并记录到日志文件中,最后将计算图中的图标进行总结.希望对您的学习有所帮助。
本文来自于CSDN，由火龙果软件Alice编辑、推荐。
|
|
TensorBoard是Tensorflow的可视化工具，它通过对Tensoflow程序运行过程中输出的日志文件进行可视化Tensorflow程序的运行状态。
使用TensorBoard展示数据，需要在执行Tensorflow计算图的过程中，将各种类型的数据（summary
protobuf）汇总并记录到日志文件中。然后使用TensorBoard读取这些日志文件，解析数据并生产数据可视化的Web页面，让我们可以在浏览器中观察各种汇总数据。
注：tensorflow --version 1.4.0
TensorBoard
当生成了日志文件后，在命令行中使用tensorboard --logdir=日志文件目录启动一个服务，在浏览器中使用http://DESKTOP-JGL4HV5:6006查看可视化结果。
这里有一点需要注意，日志文件目录要使用绝对路径，即从某个盘开始的路径（如果不行的话将/变成//再试试）。同时使用360浏览器可能无法显示。
下面红框中是可视化的顶部：
TensorBoard页面
SCALARS，对标量数据进行汇总和记录
使用方法：tf.summary.scalar(tags, values,
collections=None, name=None)
scalar
一般在刻画loss和accuracy时会用到，可以计算标量的最大最小值或者标准差等
IMAGES， 汇总数据中的图像，例如MNIST中可以将输入的向量还原成图片的像素矩阵
使用方法：tf.summary.image(tag, tensor, max_images=3, collections=None,
name=None)
GRAPHS， 可视化Tensorflow计算图的结构及计算图上的信息
使用方法：tf.summary.FileWriter(logdir, graph)
其实这个方法是将当前summary protobuf写近日志文件中，但是会自动生成计算图。
HISTOGRAMS，记录变量的直方图(张量中元素的取值分布）
使用方法：tf.summary.histogram(tag, values, collections=None,
name=None）
计算图
计算图可以很好展现整个神经网络的结构。下来将计算图中的图标进行总结：
边，计算图中的节点之间有两种不同的边：
实线：刻画了数据的传输，箭头代表方向
虚线：表达了计算之间的依赖关系
有些边上的箭头是双向的表示一个节点可能会修改另一个节点，同时边上还标注了张量的维度信息，边上的粗细表示了两个节点之间传输的标量维度的总大小（不是传输的标量个数）。
图， TensorBoard会智能的调整可视化效果图上的节点，将计算图分成了主图（Main Graph）和辅助图（Auxiliary
nodes）。也可以手动调整，对图中的节点进行移除（不会保存手工修改结果，刷新后还原）。
节点，当点击可视化图中的节点时，界面右上角会弹出该节点的基本信息（输入、输出、依赖关系以及消耗时间和内存信息等）。
空心小椭圆：对应计算图上一个计算节点
矩形：对应了计算图上的一个命名空间
节点信息
刚说节点的基本信息中包含消耗时间和内存信息，可以通过以下方法将其添加到日志文件并进行展示。
for i in range(TRAINING_STEPS):
# 每1000次就在验证集上测试训练的模型精度
if i % 100 == 0:
# 配置运行时要记录的信息
run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
# 运行时记录运行信息的proto
run_metadata = tf.RunMetadata()
# 将配置信息和运行记录信息的proto传入运行过程，从而进行记录
validate_acc, sum = sess.run([accuracy, summ],
feed_dict=validate_feed, options=run_options,
run_metadata=run_metadata)
# 将节点的运行信息写入日志文件
writer.add_run_metadata(run_metadata, 'step%03d'
% i) |
在TensorBoard可视化的Graphs页面中，左侧的Session
runs会出现一个下拉菜单，记录了所有运行次数，选择一次运行后，Color栏中会出现Compute
time和Memory，分别对应了计算节点的运行时间和消耗的内存。
GRAPHS的左边框
merge_all()
和Tensorflow类似，tf.summaru.histograms()等函数不会立即执行，需要通过sess.run()来明确调用，当日志程序中定义写日志的操作比较多时，可以使用summ
= tf.summary.merge_all()函数来整理所有的日志生成操作，最后只需要sess.run(summ)即可将定义中的所有日志生成操作一次执行。
TensorBoard的使用流程
添加记录节点：tf.summary.scalar/image/histogram()等
汇总记录节点：merged = tf.summary.merge_all()
运行汇总节点：summary = sess.run(merged)，得到汇总结果
日志书写器实例化：summary_writer = tf.summary.FileWriter(logdir,
graph=sess.graph)，实例化的同时传入 graph 将当前计算图写入日志
调用日志书写器实例对象summary_writer的add_summary(summary, global_step=i)方法将所有汇总日志写入文件
调用日志书写器实例对象summary_writer的close()方法写入内存，否则它每隔120s写入一次
下面是一个完整的使用TensorBoard的代码：
# _*_ coding:utf-8
_*_
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import
input_data
# 定义神经网络的神经元数目
INPUT_NODE = 784
LAYER1_NODE = 500
OUTPUT_NODE = 10
# 每次训练数据的个数
BATCH_SIZE = 100
# 衰减学习率的参数
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
# 正则化项的系数 |
|
