TensorBoard視覺化結構管理工具在Windows下的使用

范特西_jay發表於2017-06-10
ORB視覺化Windows


遵循：BY-SA

署名-相同方式共享 4.0協議

作者：譚東

時間：2017年6月10日

環境：Windows 7

TensorBoard是TensorFlow自帶的視覺化結構管理和除錯優化網路的工具。在我們學習深度學習網路框架時，我們需要更直觀的看到各層網路結構和引數，也可以更好的進行除錯優化網路。TensorBoard可以實現網路結構的顯示，也可以進行顯示訓練及測試過程中各層引數的變化情況。

我們先看下TensorBoard的大致介面。


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

SCALARS是訓練引數統計顯示，可以看到整個訓練過程中，各個引數的變換情況。

官方英文翻譯：

TensorBoard的標量儀表板視覺化隨時間變化的標量統計; 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，您可以比較多個執行，資料按標籤組織。 折線圖具有以下互動作用：

  • 點選每個圖表左下角的小藍色圖示將展開圖表
  • 在圖表上拖動矩形區域將放大
  • 雙擊圖表將縮小
  • 滑鼠在圖表上會產生十字準線，資料值記錄在左側的執行選擇器中。
此外，您可以通過在儀表板左上角的框中編寫正規表示式來建立新的資料夾來組織標籤。


IMAGES輸入和輸出標籤。

官方翻譯：

影象儀表板可以顯示通過tf.image_summary儲存的png。 設定儀表板，使每行對應一個不同的標籤，每列對應一個執行。 由於影象顯示板支援任意的png，您可以使用它將自定義視覺化（例如，matplotlib散點圖）嵌入到TensorBoard中。 此儀表板總是顯示每個標籤的最新影象。

AUDIO官方英文翻譯：

音訊儀表板可以嵌入通過tf.audio_summary儲存的音訊的可播放音訊小部件。 設定儀表板，使每行對應一個不同的標籤，每列對應一個執行。 此儀表板將為每個標籤嵌入最新的音訊。

GRAPH是網路結構顯示。

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視覺化程式，您應該使用名稱範圍來對圖形中的op進行分層分組，否則圖形可能難以破譯。 有關更多資訊，包括示例，請參閱圖形視覺化程式教程。



HISTOGRAM是訓練過程引數分佈情況顯示。

官方英文翻譯：

直方圖儀表板用於視覺化Tensor的統計分佈隨時間變化。它視覺化通過tf.histogram_summary記錄的資料。現在，它的名字有點不正確，因為它不顯示直方圖;相反，它顯示了一些關於分配的高階統計資料。圖表上的每一行表示資料分佈中的百分位數：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分佈的標準偏差邊界：[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域分別具有寬度[σ，2σ，3σ]。
這種直方圖視覺化有點奇怪，不能有意義地表示多模態分佈。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下執行的。

首先我們先寫一個Python程式碼，用來執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
然後點選Run執行Python程式碼。


然後CMD開啟命令列終端輸入：

tensorboard --logdir=C:/logs

一切正常的話，我們用chrome瀏覽器開啟這個地址： 

http://localhost:6006/
因為我們程式碼只是展示了網路層結構，並沒有資料。所以我們點選GRAPHS進行檢視網路層結構就可以了。

我們的C盤logs下也有相應的日誌檔案。



版權所有，尊重版權。


微信公眾號：







相關文章