以mnist为例探究tensorboard

Tensorboard的数据形式

Tensorboard可以记录与展示以下数据形式：

（1）标量Scalars

（2）图片Images

（3）音频Audio

（4）计算图Graph

（5）数据分布Distribution

（6）直方图Histograms

（7）嵌入向量Embeddings

Tensorboard的可视化过程

（1）建立一个graph,你想从这个graph中获取某些数据的信息

（2）确定要在graph中的哪些节点放置summary operations以记录信息

使用tf.summary.scalar记录标量

使用tf.summary.histogram记录数据的直方图

使用tf.summary.distribution记录数据的分布图

使用tf.summary.image记录图像数据

….

（3）operations并不会去真的执行计算，除非你告诉他们需要去run,或者它被其他的需要run的operation所依赖。而我们上一步创建的这些summary operations其实并不被其他节点依赖，因此，我们需要特地去运行所有的summary节点。但是呢，一份程序下来可能有超多这样的summary 节点，要手动一个一个去启动自然是及其繁琐的，因此我们可以使用tf.summary.merge_all去将所有summary节点合并成一个节点，只要运行这个节点，就能产生所有我们之前设置的summary data。

（4）使用tf.summary.FileWriter将运行后输出的数据都保存到本地磁盘中

（5）运行整个程序，并在命令行输入运行tensorboard的指令，之后打开web端可查看可视化的结果

tf.name_scope()函数

复杂的TensorFlow 一般由数以千计的节点所构成，如此多而难以一下全部看到，甚至无法使用标准图表工具来展示。为简单起见，我们为op/tensor名划定范围，并且可视化把该信息用于在图表中的节点上定义一个层级。

代码示例

1、数据准备

今天程序上来第一部分就发生变化，出现了新面孔，那就是定义了一个variable_summaries()函数，传递参数为var。

这个函数的作用是：

（1）将传递过来的参数var进行求均值（mean）、标准差（stddev）、最大最小值（max、min）

（2）用tf.summary.scalar()函数，分别对上述的几个统计量（标量）进行记录，同时记录参数var的直方图（tf.summary.histogram()函数实现）

在这里大家发现了我用的tf.name_scope()函数，我在这里建立了一个名叫summaries的可视化节点的层级，之后在Tensorboard中将会找到它。

2、准备好placeholder

同样，我用tf.name_scope()函数，建立了一个名叫input的可视化节点的层级，这个节点层下包含 x_input、y_input、learning_rate 三个子节点。

3、初始化参数/权重

同理，这里我对每个变量都做了同样的操作，只不过这里我命名了3个层级的节点，大家是否能准确找到呢~~，同时对权重值W1、W2、W3，偏置值b1、b2、b3进行variable_summaries()函数的调用，想具体了解这些参数在模型训练中是如何发生变化

4、计算预测结果

5、计算损失值

6、初始化optimizer

7、指定迭代次数，并在session执行graph

运行结果

今天我们的重点在于Tensorboard上，准确率就不展示了，因为程序在计算上没有变化，依旧会是0.98附近。

接下来我们要做的就是打开Tensorboard，在Macbook中打开终端输入tensorboard –logdir=

关注小鲸融创，一起深度学习金融科技！