您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
   
 
     
   
 订阅
  捐助
tensorboard使用教程
 
作者: AL
   次浏览      
 2020-2-24
 
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

   
次浏览       
相关文章

基于图卷积网络的图深度学习
自动驾驶中的3D目标检测
工业机器人控制系统架构介绍
项目实战:如何构建知识图谱
 
相关文档

5G人工智能物联网的典型应用
深度学习在自动驾驶中的应用
图神经网络在交叉学科领域的应用研究
无人机系统原理
相关课程

人工智能、机器学习&TensorFlow
机器人软件开发技术
人工智能,机器学习和深度学习
图像处理算法方法与实践