Tensorflow可视化 Tensorboard 代码实现

TensorBoard是Tensorflow框架提供的可视化工具，通过TensorBoard，我们就可以直观且方便的查看程序运行过程中生成的各种统计信息，包括：

scalar
image
audio
histogram
graph

这些信息可以通过tf.summary调用相关的方法进行写入。

启动Tensorbard服务
在控制台输入：

tensorboard --logdir 路径

这样就可以启动tensorboard服务，启动之后可以从控制台看到登录地址，tensorboard默认的端口为6006。

说明：

• 选项logdir指定的路径中，需要具有tensorboard可以读取的数据（通过tf.summary.FileWriter写入），否则无法展示。
• 为了达到最好的展示效果，最好使用Chrome浏览器进行查看（一家人）。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("data/", one_hot=True)

def variable_summaries(var):
    with tf.name_scope("summaries"):
        mean = tf.reduce_mean(var)
        #  写入数据，供tensorboard进行展示。
        tf.summary.scalar("mean", mean)
        stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar("stddev", stddev)
        tf.summary.scalar("max", tf.reduce_max(var))
        tf.summary.scalar("min", tf.reduce_min(var))
        tf.summary.histogram("histogram", var)

with tf.name_scope("input"):
    X = tf.placeholder(dtype=tf.float32, shape=[None, 784])
    y = tf.placeholder(dtype=tf.float32, shape=[None, 10])
    variable_summaries(X)
    variable_summaries(y)
    images = tf.reshape(X, [-1, 28, 28, 1])
    tf.summary.image("input", images, max_outputs=3)

with tf.name_scope("output"):
    W = tf.Variable(tf.zeros(shape=[784, 10]))
    variable_summaries(W)
    b = tf.Variable(tf.zeros(shape=[1, 10]))
    variable_summaries(b)
    z = tf.matmul(X, W) + b
    a = tf.nn.softmax(z)
    tf.summary.histogram("y_hat", a)
                          
with tf.name_scope("loss"):
    loss = -tf.reduce_sum(y * tf.log(a))
    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
    variable_summaries(loss)
                          
with tf.name_scope("accuracy"):
    correct = tf.equal(tf.argmax(y, axis=1), tf.argmax(a, axis=1))
    accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))
    variable_summaries(accuracy)
                          
with tf.Session() as sess:
    # 对之前计算的统计信息进行汇总。
    merged = tf.summary.merge_all()
    # tensorflow提供的API，对文件进行操作。
    # 如果logs/目录存在，则删除该目录以及目录下所有的文件与子目录。
    # 程序每次运行，都会在logs/下写入数据文件，如果存在多个数据文件，使用tensorboard
    # 进行展示的时候，就会出现图像互相叠加与干扰。
    if tf.gfile.Exists("logs/"):
        tf.gfile.DeleteRecursively("logs/")
    # FileWriter用来在指定的路径下写入数据文件，供tensorboard进行可视化展示。
    train_writer = tf.summary.FileWriter("logs/", sess.graph)
    sess.run(tf.global_variables_initializer())
    for i in range(1, 101):
        batch_X, batch_y = mnist.train.next_batch(128)
        # 使用Session来运行汇总（合并）的数据(merged)，则汇总的数据就可以写入到数据文件中（供tensorboard进行读取展示）。
        train_summary, _ = sess.run([merged, train_step], feed_dict={X: batch_X, y: batch_y})
        train_writer.add_summary(train_summary, i)
        if i % 10 == 0:
            test_summary, acu = sess.run([merged, accuracy], feed_dict={X: mnist.test.images, y: mnist.test.labels})
            train_writer.add_summary(test_summary, i)
            print(f"第{i}次训练，测试准确率为：{acu}")