@.查找tensorflow的安装位置
(1) pip show tensorflow-gpu
(2) python
import tensorflow
tensorflow.__path__
dir(tensorflow)
@.终止程序的进程
pkill -f 'tensorboard'
1.tensorboard概述
tensorboard的作用就是把复杂的神经网络训练过程可视化,可以更好的理解,调试并优化程序。tensorboard可以将训练的过程中的各种绘制数据展示出来,包括标量(scalars),图片(images),音频(audio),计算图(graph),数据分布,直方图(histograms):
(1) scalars中可以看到accuracy,cross entropy,dropout,layer的weights和bias等变化趋势
(2) images和audio中可以看到输入的数据。展示训练过程中记录的图像和音频
(3)graphs中可以看到模型的结构
(4)histogram可以看到activations,gradients或者weights等变量的每一步的分布,越靠前面就是越新的步数的结果。展示训练过程中记录的数据的分布图
(5)distribution和histogram是两种不同的形式,可以看到整体的状况
(6)embedding中可以看到PCA主成分分析方法将高维数据投影到3D空间后的数据的关系
(7)Event:展示训练过程中的统计数据(最值,均值等)变化情况
使用tensorboard展示数据,需要在执行tensorflow计算图的过程中,将各类类型的数据汇总并记录到日志文件中。然后使用tensorboard读取这些日志文件,解析数据并生产数据可视化的Web页面,让我们在浏览器中观察各种汇总数据。
2.tensorboard相关函数
在训练代码里面相关函数使用的情况
#(1)汇总数据
tf.summary.scalar(tags, values, collections=None, name=None)
tf.summary.histogram(tags, values, collections=None, name=None)
tf.summary.image(tag, tensor, max_images=3, collections=None, name=None)
#(2)合并上面的数据
tf.summary.merge(input,collections=None, name=None) #将上面的类型的汇总再进行一次合并,具体合并哪些由inputs指定
merged = tf.summary.merge_all(key='summaries') #合并默认图形中的所有汇总
with tf.Session() as sess:
#(3)创建一个文件记录器
train_writer = tf.summary.FileWriter(path+'/train',*)
val_writer = tf.summary.FileWriter(path+'/val'. *)
#(4)在session里面执行,得到merged添加到文件记录器中
summary, _, _, _ = sess.run(merged, optimizer, loss, layer, feed_dict={**})
train_writer.add_summary(summary,step) #真正将汇总的数据写入到文件记录器中
summay, _ = sess.run(merged, loss, feed_dict={**})
val_writer.add_summary(summary,step)
上面的SummaryWriter是一个类,它可以调用一面的函数来向event文件中添加相关的数据add_summary(),add_session_log(),add_event(),add_graph()。
经常,我们在只有网络结构的时候,想要通过tensorboard查看网络图结构,只需:
with tf.Session() as sess:
model = Model(...) # 调用网络结构
tf.summary.FileWriter( './log/train', sess.graph)
其他
上面定义的loss等内容,会在每个step训练都会记录到日志文件中。如果我们想要每个epoch训练结束后,记录该阶段的均值。就可以下面操作
train_writer = tf.summary.FileWriter(path+'/train',*)
loss, acc = sess.run([Loss, Acc], feed={...})
value = []
value.append(tf.Summary.Value(tag="loss", simple_value=loss))
value.append(tf.Summary.Value(tag="acc", simple_value=acc))
train_summary = tf.Summary(value=value)
train_writer.add_summary(train_summary, epoch)
3.通过日志可视化
(1)上面的内容是出现在训练代码当中,训练结束后会生成日志文件。
切换到linux终端命令下,执行tensorboard程序,并通过--logdir指定tensorflow日志路径,例:
tensorboard --logdir=/tmp/logs/
logdir指定的路径下,可以直接是日志文件,也可以是多个文件夹,每个文件夹里面是日志文件(如上例)
(2)执行上面的命令后,出现一条提示信息,复制其中的网址到浏览器,就可以看到数据可视化的图标来。
Starting TensorBoard b'39' on port 6006
(You can naviiage to http://192.168.233.101.6006)
或者直接打开浏览器,输入网址http://localhost:6006(或者http://0.0.0.0:6006)。
(3)a.在确认安装了tensorboard后(使用pip3 install tensorboard即可安装),如果报错
ERROR:tensorflow:Tried to connect to port 6006, but address is in use.
说明端口6006已经被占用,解决办法
[root@inspur example]# lsof -i:6006
COMMAND PID USER FD TYPE DEVICE SIZE/OFF NODE NAME
tensorboa 28508 root 4u IPv4 18373697 0t0 TCP *:6006 (LISTEN)
[root@inspur example]# kill -9 28508
[root@inspur example]# tensorboard --logdir=/tmp/tensorflow_logs
Starting TensorBoard b'23' on port 6006
(You can navigate to http://0.0.0.0:6006)
如果上面的方法并不能解决问题,尝试下面命令,更换显示端口。
tensorboard --logdir=/tmp/logs/ --port=8008
4.MINIST代码例子讲解
# coding=utf-8
import tensorflow as tf
"""
首先载入Tensorflow,并设置训练的最大步数为1000,学习率为0.001,dropout的保留比率为0.9。
同时,设置MNIST数据下载地址data_dir和汇总数据的日志存放路径log_dir。
这里的日志路径log_dir非常重要,会存放所有汇总数据供Tensorflow展示。
"""
from tensorflow.examples.tutorials.mnist import input_data
max_step = 1000
learning_rate = 0.001
dropout = 0.9
data_dir = '/tmp/tensorflow/mnist/input_data'
log_dir = 'tmp/tensorflow/mnist/logs/mnist_with_summaries'
# 使用input_data.read_data_sets下载MNIST数据,并创建Tensorflow的默认Session
mnist = input_data.read_data_sets(data_dir, one_hot=True)
sess = tf.InteractiveSession()
"""
为了在TensorBoard中展示节点名称,设计网络时会常使用tf.name_scope限制命名空间,
在这个with下所有的节点都会自动命名为input/xxx这样的格式。
定义输入x和y的placeholder,并将输入的一维数据变形为28×28的图片存储到另一个tensor,
这样就可以使用tf.summary.image将图片数据汇总给TensorBoard展示了。
"""
with tf.name_scope('input'):
x = tf.placeholder(tf.float32, [None, 784], name='x_input')
y = tf.placeholder(tf.float32, [None, 10], name='y_input')
with tf.name_scope('input_reshape'):
image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
tf.summary.image('input', image_shaped_input, 10)
# 定义神经网络模型参数的初始化方法,
# 权重依然使用常用的truncated_normal进行初始化,偏置则赋值为0.1
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
# 定义对Variable变量的数据汇总函数
"""
计算出Variable的mean,stddev,max和min,
对这些标量数据使用tf.summary.scalar进行记录和汇总。
同时,使用tf.summary.histogram直接记录变量var的直方图。
"""
def variable_summaries(var):
with tf.name_scope('summaries'):
mean = tf.reduce_mean(var)
tf.summary.scalar('mean', mean)
with tf.name_scope('stddev'):
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)
# 设计一个MLP多层神经网络来训练数据,在每一层中都会对模型参数进行数据汇总。
"""
定一个创建一层神经网络并进行数据汇总的函数nn_layer。
这个函数的输入参数有输入数据input_tensor,输入的维度input_dim,输出的维度output_dim和层名称layer_name,激活函数act则默认使用Relu。
在函数内,显示初始化这层神经网络的权重和偏置,并使用前面定义的variable_summaries对variable进行数据汇总。
然后对输入做矩阵乘法并加上偏置,再将未进行激活的结果使用tf.summary.histogram统计直方图。
同时,在使用激活函数后,再使用tf.summary.histogram统计一次。
"""
def nn_layer(input_tensor, input_dim, output_dim, layer_name,act=tf.nn.relu):
with tf.name_scope(layer_name):
with tf.name_scope('weight'):
weights = weight_variable([input_dim, output_dim])
variable_summaries(weights)
with tf.name_scope('biases'):
biases = bias_variable([output_dim])
variable_summaries(biases)
with tf.name_scope('Wx_plus_b'):
preactivate = tf.matmul(input_tensor, weights) + biases
tf.summary.histogram('pre_activations', preactivate)
activations = act(preactivate, name='actvations')
tf.summary.histogram('activations', activations)
return activations
"""
使用刚定义好的nn_layer创建一层神经网络,输入维度是图片的尺寸(784=24×24),输出的维度是隐藏节点数500.
再创建一个Droput层,并使用tf.summary.scalar记录keep_prob。然后再使用nn_layer定义神经网络的输出层,激活函数为全等映射,此层暂时不使用softmax,在后面会处理。
"""
hidden1 = nn_layer(x, 784, 500, 'layer1')
with tf.name_scope('dropout'):
keep_prob = tf.placeholder(tf.float32)
tf.summary.scalar('dropout_keep_probability', keep_prob)
dropped = tf.nn.dropout(hidden1, keep_prob)
y1 = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)
"""
这里使用tf.nn.softmax_cross_entropy_with_logits()对前面输出层的结果进行softmax处理并计算交叉熵损失cross_entropy。
计算平均损失,并使用tf.summary.saclar进行统计汇总。
"""
with tf.name_scope('cross_entropy'):
diff = tf.nn.softmax_cross_entropy_with_logits(logits=y1, labels=y)
with tf.name_scope('total'):
cross_entropy = tf.reduce_mean(diff)
tf.summary.scalar('cross_entropy', cross_entropy)
"""
使用Adma优化器对损失进行优化,同时统计预测正确的样本数并计算正确率accuray,
再使用tf.summary.scalar对accuracy进行统计汇总。
"""
with tf.name_scope('train'):
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
with tf.name_scope('accuracy'):
with tf.name_scope('correct_prediction'):
correct_prediction = tf.equal(tf.argmax(y1, 1), tf.arg_max(y, 1))
with tf.name_scope('accuracy'):
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.summary.scalar('accuracy', accuracy)
"""
由于之前定义了非常多的tf.summary的汇总操作,一一执行这些操作态麻烦,
所以这里使用tf.summary.merger_all()直接获取所有汇总操作,以便后面执行。
然后,定义两个tf.summary.FileWrite(文件记录器)在不同的子目录,分别用来存放训练和测试的日志数据。
同时,将Session的计算图sess.graph加入训练过程的记录器,这样在TensorBoard的GRAPHS窗口中就能展示整个计算图的可视化效果。
最后使用tf.global_variables_initializer().run()初始化全部变量。
"""
merged = tf.summary.merge_all()
train_writer = tf.summary.FileWriter(log_dir + '/train', sess.graph)
test_writer = tf.summary.FileWriter(log_dir + '/test')
tf.global_variables_initializer().run()
"""
定义feed_dict的损失函数。
该函数先判断训练标记,如果训练标记为true,则从mnist.train中获取一个batch的样本,并设置dropout值;
如果训练标记为False,则获取测试数据,并设置keep_prob为1,即等于没有dropout效果。
"""
def feed_dict(train):
if train:
xs, ys = mnist.train.next_batch(100)
k = dropout
else:
xs, ys = mnist.test.images, mnist.test.labels
k = 1.0
return {x: xs, y: ys, keep_prob: k}
# 实际执行具体的训练,测试及日志记录的操作
"""
首先,使用tf.train.Saver()创建模型的保存器。
然后,进入训练的循环中,每隔10步执行一次merged(数据汇总),accuracy(求测试集上的预测准确率)操作,
并使应test_write.add_summary将汇总结果summary和循环步数i写入日志文件;
同时每隔100步,使用tf.RunOption定义Tensorflow运行选项,其中设置trace_level为FULL——TRACE,
并使用tf.RunMetadata()定义Tensorflow运行的元信息,
这样可以记录训练是运算时间和内存占用等方面的信息.
再执行merged数据汇总操作和train_step训练操作,将汇总summary和训练元信息run_metadata添加到train_writer.
平时,则执行merged操作和train_step操作,并添加summary到trian_writer。
所有训练全部结束后,关闭train_writer和test_writer。
"""
saver = tf.train.Saver()
for i in range(max_step):
if i % 10 == 0:
summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
test_writer.add_summary(summary, i)
print('Accuracy at step %s: %s' % (i, acc))
else:
if i % 100 == 99:
run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
run_metadata = tf.RunMetadata()
summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True),
options=run_options, run_metadata=run_metadata)
train_writer.add_run_metadata(run_metadata, 'step%03d' % i)
train_writer.add_summary(summary, i)
saver.save(sess, log_dir+"/model.ckpt", i)
print('Adding run metadata for', i)
else:
summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
train_writer.add_summary(summary, i)
train_writer.close()
test_writer.close()