Tensorflow：可视化学习TensorBoard

用 TensorBoard 来展现 TensorFlow 图，绘制图像生成的定量指标图以及显示附加数据（如其中传递的图像）。

tensorflow.summary

scalar一般用于数值的显示

示例：

tf.summary.scalar(softmax_cross_entropy)           

tf.summary.scalar(loss)

tf.summary.scalar('name', tf.reduce_mean(pred))

Note: Scalar summaries only log rank-0 data，否则出错：InvalidArgumentError tags and values not the same shape。所以需要reduce_mean或者reshape(tensor1, []){如果不出错的话}

histogram一般用于向量的分布显示

tf.summary.histogram('histogram', var)

多个histogram合并到一起

variance_shrinking_normal = tf.random_normal(shape=[1000], mean=0, stddev=1-(k)) tf.summary.histogram("normal/shrinking_variance", variance_shrinking_normal)  

# Let's combine both of those distributions into one dataset

normal_combined = tf.concat([mean_moving_normal, variance_shrinking_normal], 0)

# We add another histogram summary to record the combined distribution

tf.summary.histogram("normal/bimodal", normal_combined)[TensorBoard Histogram Dashboard]

tensorflow封装好的rnn/lstm等层weight/bias的summary

通过层参数.weight或者.variables查看，两者区别暂时不清楚。

            lstm_cell_fw = rnn.LSTMBlockFusedCell(params['lstm_size'])
            output_fw, _ = lstm_cell_fw(embeddings_t, dtype=tf.float32, sequence_length=nwords)
            lstm_cell_fw_kernel, lstm_cell_fw_bias = lstm_cell_fw.weights
            tf.summary.histogram('lstm_cell_fw_kernel', lstm_cell_fw_kernel)
            tf.summary.histogram('lstm_cell_fw_bias', lstm_cell_fw_bias)

[Tensorboard - visualize weights of LSTM]

[How to get summary information on tensorflow RNN]

tensorflow获取tf.layers.dense中的参数权重weight

l=tf.layers.dense(input_tf_xxx,300,name='layer_name')
with tf.variable_scope("layer_name", reuse=True):
    weights = tf.get_variable("kernel")

[How to get weights in tf.layers.dense?]

启动 TensorBoard

要运行 TensorBoard，请使用以下命令

python3 -m tensorboard.main --logdir=path/to/log-directory

tensorboard --logdir=path/to/log-directory

Note: 1 logdir 指向 FileWriter 将数据序列化的目录（如果使用的是estimator则是MODELDIR：estimator = tf.estimator.Estimator(model_fn, MODELDIR, cfg, params)）。如果此 logdir 目录下有子目录，而子目录包含基于各个运行的序列化数据，则 TensorBoard 会将所有这些运行涉及的数据都可视化。

2 指定端口 --port=8008。

3 命令出错：ImportError: No module named _multiarray_umath...F...Check failed: PyBfloat16_Type.tp_base != nullptr ...[1]    1889 abort      python -m tensorboard.main --logdir=results/model，可能是因为python版本不对试试：python3 -m tensorboard.main --logdir=results/model

TensorBoard 运行后，请在您的网络浏览器中转到 localhost:6006 以查看 TensorBoard。

[TensorBoard：可视化学习]

tensorboard图解析

Estimator中使用TensorBoard

所有预创建的 Estimator 都会自动将大量信息记录到 TensorBoard 上。不过，对于自定义 Estimator，TensorBoard 只提供一个默认日志（损失图）以及您明确告知 TensorBoard 要记录的信息（如将所有的metrics写入summary绘图       

metrics = {'accuracy': accuracy}

for metric_name, op in metrics.items():
            tf.summary.scalar(metric_name, op[1])）。

Note: estimator不需要显式地将logdir传给tf.summary.FileWriter，它自动默认为MODELDIR。其中MODELDIR为train的，而MODELDIR/eval为eval的信息。

图说明如下：

• global_step/sec：一个性能指示器，展示了随着模型训练，每秒处理多少batches（gradient updates）
• loss：上报的loss。当你的loss呈下降的趋势，说明你的神经网络训练是有效果的。
• accuracy: 通过以下两行所记录的accuracy
  • eval_metric_ops={‘my_accuracy’: accuracy})，evaluation期
  • tf.summary.scalar(‘accuracy’, accuracy[1])，training期

对于传输一个global_step到你的optimizer的minimize方法中很重要，如果没有它，该模型不能为这些图记录x坐标。在训练期，summaries（橙色线）会随着batches的处理被周期性记录，这就是为什么它会变成一个x轴。相反的，对于evaluate的每次调要，evaluation过程只会在图中有一个点。该点包含了整个evaluation调用的平均。在该图中没有width，因为它会被在特定training step（单个checkpoint）的某个模型态下整个进行评估。你可以使用左侧的控制面板来选择性地disable/enable。

在my_accuracy和loss图中，要注意以下事项：

• 橙色线表示training，其中浅色线代表Smoothing=0时的值
• 蓝色点表示evaluation

[官网：在 TensorBoard 中查看自定义 Estimator 的训练结果]

DISTRIBUTIONS

DISTRIBUTIONS 主要用来展示网络中各参数随训练步数的增加的变化情况，可以说是 多分位数折线图 的堆叠。下面我就下面这张图来解释下。

权重分布

这张图表示的是第二个卷积层的权重变化。横轴表示训练步数，纵轴表示权重值。而从上到下的折现分别表示权重分布的不同分位数：[maximum, 93%, 84%, 69%, 50%, 31%, 16%, 7%, minimum]。对应于我的代码，部分如下：

with tf.name_scope(name):
    W = tf.Variable(tf.truncated_normal(
        [k, k, channels_in, channels_out], stddev=0.1), name='W')
    b = tf.Variable(tf.constant(0.1, shape=[channels_out]), name='b')
    conv = tf.nn.conv2d(inpt, W, strides=[1, s, s, 1], padding='SAME')
    act = tf.nn.relu(conv)
    tf.summary.histogram('weights', W)
    tf.summary.histogram('biases', b)
    tf.summary.histogram('activations', act)

HISTOGRAMS

HISTOGRAMS 和 DISTRIBUTIONS 是对同一数据不同方式的展现。与 DISTRIBUTIONS 不同的是，HISTOGRAMS 可以说是 频数分布直方图 的堆叠。

权重分布

横轴表示权重值，纵轴表示训练步数。颜色越深表示时间越早，越浅表示时间越晚（越接近训练结束）。除此之外，HISTOGRAMS 还有个 Histogram mode，有两个选项：OVERLAY 和 OFFSET。选择 OVERLAY 时横轴为权重值，纵轴为频数，每一条折线为训练步数。颜色深浅与上面同理。默认为 OFFSET 模式。

Projector

使用T-SNE方式显示高维向量，这是一个动态的过程，其中随着iteration的增加，会发现结果向量会逐渐分开。相同类别的会聚拢在一起，我们可以选择不同颜色作为区分，发现不同颜色的预测结果的区分度逐渐拉大。

[Tensorflow高维向量可视化]

[理解 TensorBoard]

某小皮

使用tensorflow.summary时报错

1 运行

tf.summary.histogram('histogram', var)

Nan in summary histogram for

原因可能有好多种

lz的原因是：在神经网络前向传播时使用了传入参数的转换就出这个错误了：beta = tf.Variable(beta0, name='beta')

其它原因有：

First, I was working with float16 type data which has been documented to cause problems in tensorflow (can't remember where I found this ...I think some stackoverflow post from 2016)

Second (and probably more importantly) my training data was not properly normalized and included a whole batch worth of images without any data. If you're getting Nan's this means training has diverged, likely indicating a problem with training data.

还有可能是学习没有收敛而是发散了。

2 运行

summary_op = tf.summary.merge_all()...
summary_str = sess.run([summary_op], feed_dict=feed_dict)

TypeError: Fetch argument None has invalid type <class 'NoneType'>

1)re-assigning the train_step variable to the second element of the result of sess.run() (which happens to be None).

numpy_state, train_step = sess.run([final_state, train_step], feed_dict={})

numpy_state, _ = sess.run([final_state, train_step], feed_dict={...})

2)主要原因是run中某个op为none，这里summary_op为none ，原因是没有任何summaries 被收集merge_all就会返回none.

3 运行

summary_str = sess.run([summary_op], feed_dict=feed_dict)

TypeError: Parameter to MergeFrom() must be instance of same class: expected Summary got list. for field Event.summary

去掉[]就可以了，居然。。。

summary_str = sess.run(summary_op, feed_dict=feed_dict)

还有可能是没有run summary_op，而直接运行了writer.add_summary(summary_str, step)

from: -柚子皮-

ref: [TensorBoard：可视化学习]

官方学习视频[TensorBoard实践介绍（2017年TensorFlow开发大会）]视频文档[详解 TensorBoard－如何调参]

[理解 TensorBoard][理解 TensorBoard]