Tensorflow可视化工具Tensorboard使用方法

声明：本文转自博主http://blog.csdn.net/jerry81333/article/details/53004903，因为博主写的很简洁易懂，所以转来收藏。如有侵权，请告知删除。

Tensorboard：

如何更直观的观察数据在神经网络中的变化，或是已经构建的神经网络的结构。上一篇文章说到，可以使用matplotlib第三方可视化，来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard，并且能更直观的看见整个神经网络的结构。

上面的结构图甚至可以展开，变成：

使用：

结构图：

[python]  view plain  copy

1. with tensorflow .name_scope(layer_name):  

直接使用以上代码生成一个带可展开符号的一个域，并且支持嵌套操作：

[python]  view plain  copy

1. with tf.name_scope(layer_name):  
2.     with tf.name_scope('weights'):  

节点一般是变量或常量，需要加一个“name=‘’”参数，才会展示和命名，如：

[python]  view plain  copy

1. with tf.name_scope('weights'):  
2.     Weights = tf.Variable(tf.random_normal([in_size,out_size]))  

结构图符号及意义：

变量：

变量则可使用Tensorflow.histogram_summary()方法：

[python]  view plain  copy

1. tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights赋值  

常量：

常量则可使用Tensorflow.scalar_summary()方法：

[python]  view plain  copy

1. tf.scalar_summary('loss',loss) #命名和赋值  

展示：

最后需要整合和存储SummaryWriter：

[python]  view plain  copy

1. #合并到Summary中  
2. merged = tf.merge_all_summaries()  
3. #选定可视化存储目录  
4. writer = tf.train.SummaryWriter("/目录",sess.graph)  

merged也是需要run的，因此还需要：

[python]  view plain  copy

1. result = sess.run(merged) #merged也是需要run的  
2.     writer.add_summary(result,i)  

执行：

运行后，会在相应的目录里生成一个文件，执行：

[html]  view plain  copy

1. tensorboard --logdir="/目录"  

会给出一段网址：

浏览器中打开这个网址即可，因为有兼容问题，firefox并不能很好的兼容，建议使用Chrome。

常量在Event中，结构图在Graphs中，变量在最后两个Tag中。

            

附项目代码：

项目承接自上一篇文章：

[python]  view plain  copy

1. import tensorflow as tf  
2. import numpy as np  
3.   
4. def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None线性函数  
5.     layer_name="layer%s" % n_layer  
6.     with tf.name_scope(layer_name):  
7.         with tf.name_scope('weights'):  
8.             Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是随机变量  
9.             tf.histogram_summary(layer_name+"/weights",Weights) #可视化观看变量  
10.         with tf.name_scope('biases'):  
11.             biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推荐初始值不为0  
12.             tf.histogram_summary(layer_name+"/biases",biases) #可视化观看变量  
13.         with tf.name_scope('Wx_plus_b'):  
14.             Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases  
15.             tf.histogram_summary(layer_name+"/Wx_plus_b",Wx_plus_b) #可视化观看变量  
16.         if activation_function is None:  
17.             outputs = Wx_plus_b  
18.         else:  
19.             outputs = activation_function(Wx_plus_b)  
20.         tf.histogram_summary(layer_name+"/outputs",outputs) #可视化观看变量  
21.         return outputs  
22.   
23. #创建数据x_data，y_data  
24. x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]区间，300个单位，np.newaxis增加维度  
25. noise = np.random.normal(0,0.05,x_data.shape) #噪点  
26. y_data = np.square(x_data)-0.5+noise  
27.   
28. with tf.name_scope('inputs'): #结构化  
29.     xs = tf.placeholder(tf.float32,[None,1],name='x_input')  
30.     ys = tf.placeholder(tf.float32,[None,1],name='y_input')  
31.   
32. #三层神经，输入层（1个神经元），隐藏层（10神经元），输出层（1个神经元）  
33. l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隐藏层  
34. prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #输出层  
35.   
36. #predition值与y_data差别  
37. with tf.name_scope('loss'):  
38.     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值  
39.     tf.scalar_summary('loss',loss) #可视化观看常量  
40. with tf.name_scope('train'):  
41.     train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差  
42.   
43. init = tf.initialize_all_variables()  
44. sess = tf.Session()  
45. #合并到Summary中  
46. merged = tf.merge_all_summaries()  
47. #选定可视化存储目录  
48. writer = tf.train.SummaryWriter("Desktop/",sess.graph)  
49. sess.run(init) #先执行init  
50.   
51. #训练1k次  
52. for i in range(1000):  
53.     sess.run(train_step,feed_dict={xs:x_data,ys:y_data})  
54.     if i%50==0:  
55.         result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #merged也是需要run的  
56.         writer.add_summary(result,i) #result是summary类型的，需要放入writer中，i步数（x轴）