TensorFlow入门03——TensorBoard可视化

TensorBoard是TensorFlow的可视化工具，它可以通过TensorFlow程序运行过程中输出的日志文件可视化TensorFlow程序的运行状态。TensorBoard和TensorFlow程序跑在不同的进程中，TensorBoard会自动读取最新的TensorFlow日志文件，并呈现当前TensorFlow程序运行的最新状态。

1、TensorBoard简单介绍：

以下的简单代码完成了TensorBoard日志输出的功能。运行完以下程序后，需要在Terminal中运行以下命令来启动TensorBoard。

import tensorflow as tf

#定义一个简单的计算图，实现向量加法的简单操作
input1 = tf.constant([1.0,2.0,3.0],name='input1')
input2 = tf.Variable(tf.random_uniform([3]),name='input2')
output = tf.add_n([input1,input2],name='add')

#生成一个日志的writer
writer = tf.summary.FileWriter('/log',tf.get_default_graph())
writer.close()

如图1.1所示，点击图中链接便会跳转到TensorBoard页面（图1.2）中，

图1.1  执行命令后的结果

 

图1.2  TensorBoard界面

 

2、TensorFlow计算图的可视化：

2.1命名空间的使用

上节样例程序中只定义两个加法操作，但是不知道大家有没有发现总共有四个节点。多出来的一个节点就是变量初始化过程中系统生成的。

为了更好的组织可视化效果图中的计算节点，可以通过命名空间来整理可视化效果图上的节点。这里有两个函数可以管理变量的命名空间，tf.variable_scope和tf.name_scope函数，区别就是在使用tf.get_variable函数时（有什么区别这里不再赘述）。

上节实例改进后的代码：

import tensorflow as tf

#定义一个简单的计算图，实现向量加法的简单操作
with tf.name_scope('input1'):
    input1 = tf.constant([1.0,2.0,3.0],name='input1')
with tf.name_scope('input2'):
    input2 = tf.Variable(tf.random_uniform([3]),name='input2')
output = tf.add_n([input1,input2],name='add')

#生成一个日志的writer
writer = tf.summary.FileWriter('/log',tf.get_default_graph())
writer.close()

如图2.1所示，为运行后的TensorBoard结果 。可以选择在节点上右击鼠标，选择去掉节点，但是不是真正的去掉节点，而是从主图上移除，刷新后还会回到主图上，当计算图复杂时，这一操作是很给力的。

图2.1  改进后运行结果

 2.2节点信息

TensorBoard还可以直观的展现所有节点在运行时消耗的时间和内存。在TensorBoard左侧的Color栏中Compute time和Memory这两个选项将可以被选择（也需要写相应的代码来实现，将节点的时间和空间消耗写入日志中）。由于目前没有代码可以展示，所以这里就不展示效果了。 

3、监控指标可视化

TensorBoard界面中还提供了SCALARS、IMAGES、AUDIO、DISTRIBUTIONS、HISTOGRAMS和TEXT六个界面来可视化其他的监控指标。下表给出了可用的函数：

表3-1 TensorFlow日志生成函数与TensorBoard界面栏对应关系

TensorFlow日志生成函数	TensorBoard界面	展示内容
tf.summary.scalar	EVENTS	TensorFlow中标量(scalar)监控数据随着迭代进行的变化趋势。
tf.summary.image	IMAGES	TensorFlow中使用的图片数据。
tf.summary.audio	AUDIO	TensorFlow中使用的音频数据。
tf.summary.text	TEXT	TensorFlow中使用的文本数据。
tf.summary.histogram	DISTRIBUTIONS、HISTOGRAMS	TensorFlow中张量分布监控数据随着迭代轮数的。变化趋势