Tensorflow 可视化 TensorBoard 尝试~

原文地址：blog.csdn.net/silver_sail/article/details/51899659

安装Tensorflow的过程就不必说了，安装官网或者google一下，很多资源。

这次实验是在Iris数据集进行的，下载链接

代码如下：

[python] view plain copy

1. import os  
2. import cv2  
3. import numpy as np  
4. import sys  
5. import tensorflow as tf  
6. import random  
7. import math  
8.   
9. def weight_variable(shape):  
10.     initial = tf.truncated_normal(shape, stddev=0.1)  
11.     return tf.Variable(initial)  
12.   
13. def bias_variable(shape):  
14.     initial = tf.constant(0.1, shape=shape)  
15.     return tf.Variable(initial)  
16.   
17. def load_iris(path):  
18.     #check file exist.  
19.     if not os.path.exists(path):  
20.         print "path is not exist"  
21.         return  
22.   
23.     return_data = []  
24.     return_label = []  
25.     my_map = {}  
26.     key = 0  
27.     iris_file = open(path);  
28.     for line in iris_file:  
29.         #cut the \n  
30.         line = line[:-1]  
31.         elements = line.split(',')  
32.   
33.         if len(elements) == 5:  
34.             temp = elements[:-1]  
35.             data = [float(x) for x in temp]  
36.             category = elements[4]  
37.   
38.             label = key  
39.             if my_map.has_key(category):  
40.                 label = my_map[category]  
41.             else:  
42.                 my_map[category] = key  
43.                 key = key + 1  
44.             label_vector = [0] * 3;  
45.             label_vector[label] = 1;  
46.             return_data.append(data)  
47.             return_label.append(label_vector)  
48.     iris_file.close()  
49.     return return_data,return_label  
50.       
51. def run(train_path):  
52.     #load data  
53.     img,label = load_iris(train_path)  
54.     sess = tf.InteractiveSession()  
55.   
56.     #first layer.  
57.     with tf.name_scope('input'):  
58.         x = tf.placeholder("float", shape=[None, 4],name='x-input')  
59.         y_ = tf.placeholder("float", shape=[None, 3],name='y-input')  
60.       
61.     def next_batch(img,label,size):  
62.         img_r =[]  
63.         label_r = []  
64.         for num in range(size):  
65.             index = random.randint(0,len(img)-1)  
66.             img_r.append(np.array(img[index]))  
67.             label_r.append(np.array(label[index]))  
68.         img_r = np.array(img_r)  
69.         label_r = np.array(label_r)  
70.         return {x:img_r,y_:label_r}  
71.           
72.     def variable_summaries(var, name):  
73.         with tf.name_scope('summaries'):  
74.             mean = tf.reduce_mean(var)  
75.             tf.scalar_summary('mean/' + name, mean)  
76.             with tf.name_scope('stddev'):  
77.                 stddev = tf.sqrt(tf.reduce_sum(tf.square(var - mean)))  
78.             tf.scalar_summary('sttdev/' + name, stddev)  
79.             tf.scalar_summary('max/' + name, tf.reduce_max(var))  
80.             tf.scalar_summary('min/' + name, tf.reduce_min(var))  
81.             tf.histogram_summary(name, var)  
82.   
83.     #fully connection  
84.     def nn_layer(input,input_dim,output_dim,layer_name,act=tf.nn.relu):  
85.         with tf.name_scope(layer_name):  
86.             with tf.name_scope('W'):  
87.                 f_w_1 = weight_variable([input_dim,output_dim])  
88.                 variable_summaries(f_w_1, layer_name + '/weights')  
89.             with tf.name_scope('B'):  
90.                 f_b_1 = bias_variable([output_dim])  
91.                 variable_summaries(f_b_1, layer_name + '/bias')  
92.             with tf.name_scope('Wx_plus_b'):  
93.                 input_drop = tf.reshape(input,[-1,input_dim])  
94.                 f_r_1 = tf.matmul(input_drop,f_w_1) + f_b_1  
95.                 tf.histogram_summary(layer_name + '/pre_activations', f_r_1)  
96.             activations = act(f_r_1, 'activation')  
97.             tf.histogram_summary(layer_name + '/activations', activations)  
98.             return activations  
99.       
100.     l1_output = nn_layer(x,4,100,'layer1')  
101.     l2_output = nn_layer(l1_output,100,3,'layer2',act=tf.nn.softmax)  
102.   
103.     #  
104.     with tf.name_scope('cross_entropy'):  
105.         cross_entropy = -tf.reduce_sum(y_*tf.log(l2_output))  
106.         tf.scalar_summary('cross entropy', cross_entropy)  
107.       
108.     with tf.name_scope('train'):  
109.         train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)  
110.         correct_prediction = tf.equal(tf.argmax(l2_output,1), tf.argmax(y_,1))  
111.       
112.     with tf.name_scope('accuracy'):  
113.         accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))  
114.     tf.scalar_summary('accuracy',accuracy)  
115.       
116.     merged = tf.merge_all_summaries()  
117.     train_writer = tf.train.SummaryWriter('/home/ubuntu/temp/log/train',sess.graph)  
118.     test_writer = tf.train.SummaryWriter('/home/ubuntu/temp/log/test')  
119.     tf.initialize_all_variables().run()  
120.       
121.     for i in range(200000):  
122.         if i % 100 == 0:  # Record summaries and test-set accuracy  
123.             summary, acc = sess.run([merged, accuracy], feed_dict=next_batch(img,label,20))  
124.             test_writer.add_summary(summary, i)  
125.             print('Accuracy at step %s: %s' % (i, acc))  
126.         else:  # Record train set summaries, and train  
127.             if i % 100 == 99:  # Record execution stats  
128.                 run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)  
129.                 run_metadata = tf.RunMetadata()  
130.                 summary, _ = sess.run([merged, train_step],  
131.                               feed_dict=next_batch(img,label,20),  
132.                               options=run_options,  
133.                               run_metadata=run_metadata)  
134.                 train_writer.add_run_metadata(run_metadata, 'step%d' % i)  
135.                 train_writer.add_summary(summary, i)  
136.                 print('Adding run metadata for', i)  
137.             else:  # Record a summary  
138.                 summary, _ = sess.run([merged, train_step], feed_dict=next_batch(img,label,20))  
139.                 train_writer.add_summary(summary, i)  
140.   
141. if __name__ == '__main__':  
142.     run('iris.data.set.txt')  

代码是参考tensorflow官网的例子进行实验的，官网例子如下：

[python] view plain copy

1. # Copyright 2015 The TensorFlow Authors. All Rights Reserved.  
2. #  
3. # Licensed under the Apache License, Version 2.0 (the 'License');  
4. # you may not use this file except in compliance with the License.  
5. # You may obtain a copy of the License at  
6. #  
7. #     http://www.apache.org/licenses/LICENSE-2.0  
8. #  
9. # Unless required by applicable law or agreed to in writing, software  
10. # distributed under the License is distributed on an 'AS IS' BASIS,  
11. # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.  
12. # See the License for the specific language governing permissions and  
13. # limitations under the License.  
14. # ==============================================================================  
15. """A simple MNIST classifier which displays summaries in TensorBoard. 
16.  This is an unimpressive MNIST model, but it is a good example of using 
17. tf.name_scope to make a graph legible in the TensorBoard graph explorer, and of 
18. naming summary tags so that they are grouped meaningfully in TensorBoard. 
19. It demonstrates the functionality of every TensorBoard dashboard. 
20. """  
21. from __future__ import absolute_import  
22. from __future__ import division  
23. from __future__ import print_function  
24.   
25. import tensorflow as tf  
26.   
27. from tensorflow.examples.tutorials.mnist import input_data  
28.   
29. flags = tf.app.flags  
30. FLAGS = flags.FLAGS  
31. flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data '  
32.                      'for unit testing.')  
33. flags.DEFINE_integer('max_steps', 1000, 'Number of steps to run trainer.')  
34. flags.DEFINE_float('learning_rate', 0.001, 'Initial learning rate.')  
35. flags.DEFINE_float('dropout', 0.9, 'Keep probability for training dropout.')  
36. flags.DEFINE_string('data_dir', '/tmp/data', 'Directory for storing data')  
37. flags.DEFINE_string('summaries_dir', '/tmp/mnist_logs', 'Summaries directory')  
38.   
39.   
40. def train():  
41.   # Import data  
42.   mnist = input_data.read_data_sets(FLAGS.data_dir,  
43.                                     one_hot=True,  
44.                                     fake_data=FLAGS.fake_data)  
45.   
46.   sess = tf.InteractiveSession()  
47.   
48.   # Create a multilayer model.  
49.   
50.   # Input placehoolders  
51.   with tf.name_scope('input'):  
52.     x = tf.placeholder(tf.float32, [None, 784], name='x-input')  
53.     y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')  
54.   
55.   with tf.name_scope('input_reshape'):  
56.     image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])  
57.     tf.image_summary('input', image_shaped_input, 10)  
58.   
59.   # We can't initialize these variables to 0 - the network will get stuck.  
60.   def weight_variable(shape):  
61.     """Create a weight variable with appropriate initialization."""  
62.     initial = tf.truncated_normal(shape, stddev=0.1)  
63.     return tf.Variable(initial)  
64.   
65.   def bias_variable(shape):  
66.     """Create a bias variable with appropriate initialization."""  
67.     initial = tf.constant(0.1, shape=shape)  
68.     return tf.Variable(initial)  
69.   
70.   def variable_summaries(var, name):  
71.     """Attach a lot of summaries to a Tensor."""  
72.     with tf.name_scope('summaries'):  
73.       mean = tf.reduce_mean(var)  
74.       tf.scalar_summary('mean/' + name, mean)  
75.       with tf.name_scope('stddev'):  
76.         stddev = tf.sqrt(tf.reduce_sum(tf.square(var - mean)))  
77.       tf.scalar_summary('sttdev/' + name, stddev)  
78.       tf.scalar_summary('max/' + name, tf.reduce_max(var))  
79.       tf.scalar_summary('min/' + name, tf.reduce_min(var))  
80.       tf.histogram_summary(name, var)  
81.   
82.   def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):  
83.     """Reusable code for making a simple neural net layer. 
84.     It does a matrix multiply, bias add, and then uses relu to nonlinearize. 
85.     It also sets up name scoping so that the resultant graph is easy to read, 
86.     and adds a number of summary ops. 
87.     """  
88.     # Adding a name scope ensures logical grouping of the layers in the graph.  
89.     with tf.name_scope(layer_name):  
90.       # This Variable will hold the state of the weights for the layer  
91.       with tf.name_scope('weights'):  
92.         weights = weight_variable([input_dim, output_dim])  
93.         variable_summaries(weights, layer_name + '/weights')  
94.       with tf.name_scope('biases'):  
95.         biases = bias_variable([output_dim])  
96.         variable_summaries(biases, layer_name + '/biases')  
97.       with tf.name_scope('Wx_plus_b'):  
98.         preactivate = tf.matmul(input_tensor, weights) + biases  
99.         tf.histogram_summary(layer_name + '/pre_activations', preactivate)  
100.       activations = act(preactivate, 'activation')  
101.       tf.histogram_summary(layer_name + '/activations', activations)  
102.       return activations  
103.   
104.   hidden1 = nn_layer(x, 784, 500, 'layer1')  
105.   
106.   with tf.name_scope('dropout'):  
107.     keep_prob = tf.placeholder(tf.float32)  
108.     tf.scalar_summary('dropout_keep_probability', keep_prob)  
109.     dropped = tf.nn.dropout(hidden1, keep_prob)  
110.   
111.   y = nn_layer(dropped, 500, 10, 'layer2', act=tf.nn.softmax)  
112.   
113.   with tf.name_scope('cross_entropy'):  
114.     diff = y_ * tf.log(y)  
115.     with tf.name_scope('total'):  
116.       cross_entropy = -tf.reduce_mean(diff)  
117.     tf.scalar_summary('cross entropy', cross_entropy)  
118.   
119.   with tf.name_scope('train'):  
120.     train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(  
121.         cross_entropy)  
122.   
123.   with tf.name_scope('accuracy'):  
124.     with tf.name_scope('correct_prediction'):  
125.       correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))  
126.     with tf.name_scope('accuracy'):  
127.       accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  
128.     tf.scalar_summary('accuracy', accuracy)  
129.   
130.   # Merge all the summaries and write them out to /tmp/mnist_logs (by default)  
131.   merged = tf.merge_all_summaries()  
132.   train_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/train',  
133.                                         sess.graph)  
134.   test_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/test')  
135.   tf.initialize_all_variables().run()  
136.   
137.   # Train the model, and also write summaries.  
138.   # Every 10th step, measure test-set accuracy, and write test summaries  
139.   # All other steps, run train_step on training data, & add training summaries  
140.   
141.   def feed_dict(train):  
142.     """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""  
143.     if train or FLAGS.fake_data:  
144.       xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)  
145.       k = FLAGS.dropout  
146.     else:  
147.       xs, ys = mnist.test.images, mnist.test.labels  
148.       k = 1.0  
149.     return {x: xs, y_: ys, keep_prob: k}  
150.   
151.   for i in range(FLAGS.max_steps):  
152.     if i % 10 == 0:  # Record summaries and test-set accuracy  
153.       summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))  
154.       test_writer.add_summary(summary, i)  
155.       print('Accuracy at step %s: %s' % (i, acc))  
156.     else:  # Record train set summaries, and train  
157.       if i % 100 == 99:  # Record execution stats  
158.         run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)  
159.         run_metadata = tf.RunMetadata()  
160.         summary, _ = sess.run([merged, train_step],  
161.                               feed_dict=feed_dict(True),  
162.                               options=run_options,  
163.                               run_metadata=run_metadata)  
164.         train_writer.add_run_metadata(run_metadata, 'step%d' % i)  
165.         train_writer.add_summary(summary, i)  
166.         print('Adding run metadata for', i)  
167.       else:  # Record a summary  
168.         summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))  
169.         train_writer.add_summary(summary, i)  
170.   
171.   
172. def main(_):  
173.   if tf.gfile.Exists(FLAGS.summaries_dir):  
174.     tf.gfile.DeleteRecursively(FLAGS.summaries_dir)  
175.   tf.gfile.MakeDirs(FLAGS.summaries_dir)  
176.   train()  
177.   
178.   
179. if __name__ == '__main__':  
180.   tf.app.run()  

有了这个代码，就可以运行了。因为自己设置的目录是/home/ubuntu/temp/log，所以在tensorboard运行的时候要指定这个目录。

命令如下：

[plain] view plain copy

1. python tensorboard.py --logdir=/home/ubuntu/temp/log  

之后访问一下指定地址：

如果访问没有数据，可以在命令后面加上--debug来查看详细信息，

红色标记的是tensorboard监视的目录，查看一下是否正确。

如果还是不正确。。。就只能安装官网Readme来排查了：

就是这里