五、Tensorboard的使用

目录

5-1 tensorboard的使用与常见问题

5-2 使用tensorboard查看网络的结构和参数

5-3 tensorboard的可视化（程序有点问题）

---

5-1 tensorboard的使用与常见问题

tensorboard的使用：

1. 第一步：写好示例程序
2. 第二步：看是否生成对应的日志文件
3. 第三步：打开DOS环境（win+r）,将盘符切换到对应的盘，并且将文件夹位置切换到日志文件夹的上一级目录，执行：tensorboard --logdir=logs（执行切换盘符命令：d:，切换到同一盘的指定目录：cd  C:\Users\Sun\Jupyter Project\Tensorflow，logs代表创建的存放日志的文件夹）
4. 第四步：复制网址到谷歌或火狐浏览器，打开tensorboard
5. 第五步：在DOS环境下使用快捷键CTRL+C退出tensorboard （注意：多次执行示例程序后会生成多个日志文件，需要将之前的删除，要不然会出现多个图混乱的现象）

tensorboard无法打开网页的解决办法：

1. 需要在\logs的上一层运行tensorboard –logdir=logs，需要将文件夹位置切换到logs文件的上一级文件夹，否则无法显示
2. 由于tensorflow版本的更新问题，较早的版本使用：http://localhost:6006 ，较新的版本使用：http://DESKTOP-9QGJOHM:6006 （我使用的tensorflow1.10还是只能使用http://localhost:6006 ） （dos环境下生成的网址）
3. 更新浏览器
4. 更新tensorflow（一般应该不是这个错误），更新指令：pip install -U tensorflow （更新到最新版本）
5. 目录中不要使用中文（后来重新使用的使用的时候不小心添加了中文路径，花了一个小时找错误，牢记在心）
6. 还有一个原因可能是6006端口不能访问导致的，切换端口访问，增加语句：--port=8080，示例：tensorboard --logdir=logs --port=8080(logs表示你创建日志的文件夹)

5-2 使用tensorboard查看网络的结构和参数

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data


#导入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)#如果本地没有数据集，此语句会自动下载到对应的文件夹位置，不过网速较慢，不建议
#每个批次的大小
batch_size = 100
#计算一共需要多少个批次
n_batch = mnist.train.num_examples // batch_size

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)#标准差
        tf.summary.scalar('max',tf.reduce_max(var))
        tf.summary.scalar('min',tf.reduce_min(var))
        tf.summary.histogram('histogram',var)
    

#命名空间
with tf.name_scope('input'):
    #创建两个placeholder
    x = tf.placeholder(tf.float32,[None,784],name='x_input')
    y = tf.placeholder(tf.float32,[None,10],name='y_input')

#命名空间
with tf.name_scope('layer'):
    #创建一个简单的神经网络
    with tf.name_scope('W'):       
        W = tf.Variable(tf.zeros([784,10]),name='W')
        variable_summaries(W)
    with tf.name_scope('b'): 
        b = tf.Variable(tf.zeros([10]),name='b')
        variable_summaries(b)
    with tf.name_scope('wx_plus_b'): 
        wx_plus_b = tf.matmul(x,W) + b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)

with tf.name_scope('loss'):
    #交叉熵损失函数
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))#加快迭代速度
    tf.summary.scalar('loss',loss)
with tf.name_scope('train'):
    #使用AdamOptimizer训练
    train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

with tf.name_scope('prediction'):
    with tf.name_scope('correct_prediction'):        
        #结果存放在一个布尔类型列表中
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#对比预测结果的标签是否一致，一致为True，不同为False
    with tf.name_scope('accuracy'):
        #预测准确率
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#将布尔型转化为0.0-1.0之间的数值,True为1.0，False为0.0
        tf.summary.scalar('accuracy',accuracy)

#变量初始化
init = tf.global_variables_initializer()
#合并所有的summary
merge = tf.summary.merge_all()

with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter('logs/',sess.graph)#在程序相同目录生成logs文件夹，并产生日志文件
    for epoch in range(50):
        for batch in range(n_batch):
            batch_x,batch_y = mnist.train.next_batch(batch_size)#
            summary,_ = sess.run([merge,train_step],feed_dict={x:batch_x,y:batch_y})#返回两个值summary和_,train_step返回值不使用故用'_'表示
       
        writer.add_summary(summary,epoch)#将summary写入到logs文件中
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print('Iter' + str(epoch) + ',Test Accuaracy' + str(acc))

参考上述tensorboard的使用方法，查看运行结果（部分）：

          

 

5-3 tensorboard的可视化（程序有点问题）

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib.tensorboard.plugins import projector

#载入数据集
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
#运行次数
max_steps = 1001
#图片数量
image_num = 3000
#文件路径
#DIR = "D:/Tensorflow/"
DIR = 'C:/Users/Sun/Jupyter Project/Tensorflow/'
#定义会话
sess = tf.Session()

#载入图片
embedding = tf.Variable(tf.stack(mnist.test.images[:image_num]), trainable=False, name='embedding')

#参数概要
def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean', mean)#平均值
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev', stddev)#标准差
        tf.summary.scalar('max', tf.reduce_max(var))#最大值
        tf.summary.scalar('min', tf.reduce_min(var))#最小值
        tf.summary.histogram('histogram', var)#直方图

#命名空间
with tf.name_scope('input'):
    #这里的none表示第一个维度可以是任意的长度
    x = tf.placeholder(tf.float32,[None,784],name='x-input')
    #正确的标签
    y = tf.placeholder(tf.float32,[None,10],name='y-input')

#显示图片
with tf.name_scope('input_reshape'):
    image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
    tf.summary.image('input', image_shaped_input, 10)

with tf.name_scope('layer'):
    #创建一个简单神经网络
    with tf.name_scope('weights'):
        W = tf.Variable(tf.zeros([784,10]),name='W')
        variable_summaries(W)
    with tf.name_scope('biases'):
        b = tf.Variable(tf.zeros([10]),name='b')
        variable_summaries(b)
    with tf.name_scope('wx_plus_b'):
        wx_plus_b = tf.matmul(x,W) + b
    with tf.name_scope('softmax'):    
        prediction = tf.nn.softmax(wx_plus_b)

with tf.name_scope('loss'):
    #交叉熵代价函数
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
    tf.summary.scalar('loss',loss)
with tf.name_scope('train'):
    #使用梯度下降法
    train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

#初始化变量
sess.run(tf.global_variables_initializer())

with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        #结果存放在一个布尔型列表中
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置
    with tf.name_scope('accuracy'):
        #求准确率
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#把correct_prediction变为float32类型
        tf.summary.scalar('accuracy',accuracy)

#产生metadata文件
if tf.gfile.Exists(DIR + 'projector/projector/metadata.tsv'):
    tf.gfile.DeleteRecursively(DIR + 'projector/projector/metadata.tsv')
with open(DIR + 'projector/projector/metadata.tsv', 'w') as f:
    labels = sess.run(tf.argmax(mnist.test.labels[:],1))
    for i in range(image_num):   
        f.write(str(labels[i]) + '\n')        
        
#合并所有的summary
merged = tf.summary.merge_all()   


projector_writer = tf.summary.FileWriter(DIR + 'projector/projector',sess.graph)
saver = tf.train.Saver()
config = projector.ProjectorConfig()
embed = config.embeddings.add()
embed.tensor_name = embedding.name
embed.metadata_path = DIR + 'projector/projector/metadata.tsv'
embed.sprite.image_path = DIR + 'projector/data/mnist_10k_sprite.png'
embed.sprite.single_image_dim.extend([28,28])
projector.visualize_embeddings(projector_writer,config)

for i in range(max_steps):
    #每个批次100个样本
    batch_xs,batch_ys = mnist.train.next_batch(100)
    run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
    run_metadata = tf.RunMetadata()
    summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys},options=run_options,run_metadata=run_metadata)
    projector_writer.add_run_metadata(run_metadata, 'step%03d' % i)
    projector_writer.add_summary(summary, i)
    
    if i%100 == 0:
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print ("Iter " + str(i) + ", Testing Accuracy= " + str(acc))

saver.save(sess, DIR + 'projector/projector/a_model.ckpt', global_step=max_steps)
projector_writer.close()
sess.close()

 

 

 

说明：1.关于tensorflow的代码是参考了b站练数成金的代码，链接地址：https://www.bilibili.com/video/av20542427/?p=1

           2.部分代码还参考了tensorflow中文社区的网站，以及tensorflow的官网（需要梯子）。

           tensorflow中文社区的网站：http://www.tensorfly.cn/

   MNIST_data手写数据集下载：链接：https://pan.baidu.com/s/1_PxLxxZ4YP7KfDzZh8vPFA 密码：nyrs

   更多Tensorflow资源下载，去github搜索Tensorflow下载更多demo