tensorboard使用方法以及代码实例

介绍

Tensorboard是Tensorflow的一个可视化工具，有效的展示出Tensorflow运行过程中的计算图、各种变量指标随着时间的变化趋势。实际工作中还是非常有用的。

方法

在训练过程中，主要用到了tf.summary()的各类方法：

tf.summary.scalar(name, tensor) # 生成一个summary
name：生成节点的名称
tensor：需要展示的tensor

tf.summary.histogram(name, tensor) # 直方图
name：节点名称

tf.summary.merge_all()
将此函数以上所有带有 summary 的变量聚合起来，使用起来比较省心

tf.summary.merge([loss_summary, accuracy_summary])
需要手动指定需要聚合的变量，存入参数列表中

tf.summary.FileWriter(train_log_dir, sess.graph)
打开一个writer，相当于python中的open函数，打开一个写句柄。
train_log_dir：要保存的目录
sess.graph：保存计算图（该参数可以为空）

test_summary_str = sess.run([merged_summary_test],feed_dict = {x: data,y: labels} )[0]
test_writer.add_summary(test_summary_str, i+1)
sess.run()之后，会得到一个summary字符串，将字符串和序号进行add_summary()保存
add_summary(string, i)
string：sess.run()出来的字符串
i：序号

代码演示

还是之前的vgg代码，只不过加上了tf.summary()操作，原版参照：Tensorflow使用VGG思想实现CIFAR-10十分类demo

# -*- coding:utf-8 -*-

"""
@author:老艾
@file: neuton.py
@time: 2018/08/22
"""

import tensorflow as tf
import  os
import numpy as np
import pickle

# 文件存放目录
CIFAR_DIR = "./cifar-10-batches-py"

# tensorboard
# 1. 指定面板图上显示的变量
# 2. 训练过程中将这些变量计算出来,输出到文件中
# 3. 文件解析 ./tensorboard  --logdir = dir.

def load_data( filename ):
    '''read data from data file'''
    with open( filename, 'rb' ) as f:
        data = pickle.load( f, encoding='bytes' ) # python3 需要添加上encoding='bytes'
        return data[b'data'], data[b'labels'] # 并且 在 key 前需要加上 b

class CifarData:
    def __init__( self, filenames, need_shuffle ):
        '''参数1:文件夹 参数2:是否需要随机打乱'''
        all_data = []
        all_labels = []

        for filename in filenames:
            # 将所有的数据,标签分别存放在两个list中
            data, labels = load_data( filename )
            all_data.append( data )
            all_labels.append( labels )

        # 将列表 组成 一个numpy类型的矩阵!!!!
        self._data = np.vstack(all_data)
        # 对数据进行归一化, 尺度固定在 [-1, 1] 之间
        self._data = self._data / 127.5 - 1
        # 将列表,变成一个 numpy 数组
        self._labels = np.hstack( all_labels )
        # 记录当前的样本 数量
        self._num_examples = self._data.shape[0]
        # 保存是否需要随机打乱
        self._need_shuffle = need_shuffle
        # 样本的起始点
        self._indicator = 0
        # 判断是否需要打乱
        if self._need_shuffle:
            self._shffle_data()

    def _shffle_data( self ):
        # np.random.permutation() 从 0 到 参数,随机打乱
        p = np.random.permutation( self._num_examples )
        # 保存 已经打乱 顺序的数据
        self._data = self._data[p]
        self._labels = self._labels[p]

    def next_batch( self, batch_size ):
        '''return batch_size example as a batch'''
        # 开始点 + 数量 = 结束点
        end_indictor = self._indicator + batch_size
        # 如果结束点大于样本数量
        if end_indictor > self._num_examples:
            if self._need_shuffle:
                # 重新打乱
                self._shffle_data()
                # 开始点归零,从头再来
                self._indicator = 0
                # 重新指定 结束点. 和上面的那一句,说白了就是重新开始
                end_indictor = batch_size # 其实就是 0 + batch_size, 把 0 省略了
            else:
                raise Exception(