浅入浅出TensorFlow 5 - 可视化工具TensorBoard

最新推荐文章于 2024-04-25 17:32:15 发布

linolzhang

最新推荐文章于 2024-04-25 17:32:15 发布

阅读量2.5k

点赞数 2

分类专栏：深度学习浅入浅出TensorFlow 文章标签： TensorFlow TensorFlow入门 TensorFlow基础机器学习深度学习

本文链接：https://blog.csdn.net/linolzhang/article/details/70217275

版权

本文介绍了TensorFlow的可视化工具TensorBoard，包括其主要功能如Event、Image、Graphs、Audio和Histogram的可视化。文章详细阐述了TensorBoard的生成过程，强调了Summary的关键作用，并提供了代码示例展示如何在训练MNIST数据集时使用TensorBoard。最后，给出了查看TensorBoard可视化结果的方法。

摘要由CSDN通过智能技术生成

一. TensorBoard 介绍

TensorFlow 可视化可以借助 Python 的 matplotlib 进行，也可以使用 TensorFlow 自带的 TensorBoard，推荐大家使用 TensorBoard 进行可视化，这样可以不依赖于TensorFLow 的 Python 接口。

可视化内容包括：

Event：训练过程中的统计数据，主要包括 Loss、Accuracy等

Image：记录的图像数据

Graphs：网络结构图

Audio：记录的音频数据

Histogram：直方图描述的统计结果

二. 生成过程

理解 TensorBoard 使用最关键的一点就是 Summary，Summary对应流程也就是我们的使用流程：

a）调用 TensorFlow API中的summary接口
    tf.scalar_summary(tags, values, collections=None, name=None)              # 标量数据
    tf.histogram_summary(tag, values, collections=None, name=None)            # 直方图数据
    tf.image_summary(tag, tensor, max_images=3, collections=None, name=None)  # 图像数据
上面 summay 得到的输出为包含对应数据的 ProtoBuf，通常的做法是先将这些数据合并，然后再写入。
b）将Summary信息汇总

将上面函数输出的 protobuf 数据进行合并，提供两种接口（通常我们用第二个就可以了）：
    merged_summary_op = tf.merge_summary(inputs, collections=None, name=None)
    merged_summary_op = tf.merge_all_summaries(key='summaries')
c）指定写入路径

关键类：tf.train.SummaryWriter，在该目录下，生成对应event文件
    train_writer = tf.train.SummaryWriter(summary