tensorboard使用教程

最近跑程序，要监控损失变化情况，方便调试程序。发现tensorboard是个好工具，但一直没使用。本文是学习笔记，参考博客：理解 TensorBoard

主要用的是tf.summary, 主要包括：

1. tf.summary.histogram(生成Histogram 和distribution), 

代码示例：

tf.summary.histogram('layer'+str(i+1)+'weights',weights)

2. tf.summary.scalar： 主要用于记录诸如：准确率、损失和学习率等单个值的变化趋势。

    代码示例： 

with tf.name_scope('accuracy'):
    correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    tf.summary.scalar('accuracy', accuracy)

3. tf.summary.image:  

    作用：如果你的模型输入是图像，想检查每次输入的图像以保证正确性。iamges面板就可以显示出相应的输入图像，默认显示最新的输入图像。

代码示例：

x = tf.placeholder(tf.float32, shape=[None, N_FEATURES], name='x')
x_image = tf.transpose(tf.reshape(x, [-1, 3, 32, 32]), perm=[0, 2, 3, 1])
tf.summary.image('input', x_image, max_outputs=3)
y = tf.placeholder(tf.float32, [None, N_CLASSES], name='labels')

其中参数max_outputs表示最多显示几张图片。

4. tf.summary.FileWriter（分别生成日志), 指定一个目录来告诉程序把文件放到哪里。然后运行的时候使用add_summary()来将某一步的summary数据记录到文件中

代码示例：

eval_writer = tf.summary.FileWriter(LOGDIR + '/eval')# Some other code

seval_writer.add_summary(tf.Summary(value=[tf.Summary.Value(tag='eval_accuracy', simple_value=np.mean(test_acc))]), i)

5. tf.summary.merge_all(整理日志操作的，sess.run一次就不用对上述分别run)

Graphs面板

用于从总体上看所构建的网络结构，可以显示训练数据流的方向和大小，训练时每个节点的用时，耗费内存的大小，以及参数的多少。主要分为两部分：主图（网络结构）和辅助节点（初始化、训练、保存等节点）。每个节点都是用tf.name_scope()来定义的。

tensorboard默认不记录每个节点的用时、耗费内存大小等信息的，要显示这些信息，需要再sess.run()中加入options和run_metadata参数。添加下列代码：

run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
run_metadata = tf.RunMetadata()
s, lss, acc , _ = sess.run([merged_summary, loss, accuracy, train_step], 
                           feed_dict={x: batch_x, y: batch_y, phase: 1},
                           options=run_options,
                           run_metadata=run_metadata)
summary_writer.add_run_metadata(run_metadata, 'step{}'.format(i))
summary_writer.add_summary(s, i)

Distributions面板

用于展示网络中各参数随训练步数增加的变化情况。如：权重的分布

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面板

和distributions是对同一数据不同方式的展现。是频数直方图的堆叠。

横轴代表权重值，纵轴代表训练步数。颜色越深表示时间越早，越浅表示越晚。