| 编辑推荐: |
本文讲解Logistic回归的Tensorboard可视化，导入数据集，参数设置，构建模型和操作（模型+损失函数+优化+准确率）。希望对您有所帮助。
本文来自于简书，由火龙果软件Delores编辑、推荐。 |
|
最近跑程序，要监控损失变化情况，方便调试程序。发现tensorboard是个好工具，但一直没使用。本文是学习笔记
主要用的是tf.summary,主要包括：
1. tf.summary.histogram(生成Histogram 和distribution),
代码示例：
tf.summary.histogram('layer'+str(i+1)
+'weights',weights) |
2. tf.summary.scalar： 主要用于记录诸如：准确率、损失和学习率等单个值的变化趋势。
代码示例：
with tf.name_scope('accuracy'):
correct_prediction = tf.equal
(tf.argmax(logits,
1), tf.argmax(y, 1))
accuracy = tf.reduce_mean
(tf.cast(correct_prediction,
tf.float32))
tf.summary.scalar('accuracy', accuracy) |
3. tf.summary.image:
作用：如果你的模型输入是图像，想检查每次输入的图像以保证正确性。iamges面板就可以显示出相应的输入图像，默认显示最新的输入图像。
代码示例：
x = tf.placeholder(tf.float32,
shape=[None, N_FEATURES],
name='x')
x_image = tf.transpose(tf.reshape
(x, [-1, 3, 32,
32]), perm=[0, 2, 3, 1])
tf.summary.image('input',
x_image, max_outputs=3)
y = tf.placeholder(tf.float32,
[None, N_CLASSES],
name='labels') |
其中参数max_outputs表示最多显示几张图片。
4. tf.summary.FileWriter（分别生成日志), 指定一个目录来告诉程序把文件放到哪里。然后运行的时候使用add_summary()来将某一步的summary数据记录到文件中
代码示例：
eval_writer =
tf.summary.FileWriter
(LOGDIR + '/eval')# Some
other code
seval_writer.add_summary(tf.Summary
(value=[tf.Summary.Value(tag='eval_accuracy',
simple_value=np.mean(test_acc))]), i) |
5. tf.summary.merge_all(整理日志操作的，sess.run一次就不用对上述分别run)
Graphs面板
用于从总体上看所构建的网络结构，可以显示训练数据流的方向和大小，训练时每个节点的用时，耗费内存的大小，以及参数的多少。主要分为两部分：主图（网络结构）和辅助节点（初始化、训练、保存等节点）。每个节点都是用tf.name_scope()来定义的。
tensorboard默认不记录每个节点的用时、耗费内存大小等信息的，要显示这些信息，需要再sess.run()中加入options和run_metadata参数。添加下列代码：
run_options =
tf.RunOptions
(trace_level=tf.RunOptions.FULL_TRACE)
run_metadata = tf.RunMetadata()
s, lss, acc , _ = sess.run
([merged_summary, loss,
accuracy, train_step],
feed_dict={x: batch_x, y: batch_y, phase: 1},
options=run_options,
run_metadata=run_metadata)
summary_writer.add_run_metadata
(run_metadata,
'step{}'.format(i))
summary_writer.add_summary(s, i) |
Distributions面板
用于展示网络中各参数随训练步数增加的变化情况。如：权重的分布
with tf.name_scope(name):
W = tf.Variable(tf.truncated_normal(
[k, k, channels_in, channels_out],
stddev=0.1),
name='W')
b = tf.Variable(tf.constant
(0.1, shape=[channels_out]),
name='b')
conv = tf.nn.conv2d(inpt, W,
strides=[1, s, s,
1], padding='SAME')
act = tf.nn.relu(conv)
tf.summary.histogram('weights', W)
tf.summary.histogram('biases', b)
tf.summary.histogram('activations', act) |
Histograms面板
和distributions是对同一数据不同方式的展现。是频数直方图的堆叠。
横轴代表权重值，纵轴代表训练步数。颜色越深表示时间越早，越浅表示越晚
|
