原文:https://blog.csdn.net/darknessdarkness/article/details/79619481
最近在研究tensorflow自带的例程speech_command,顺便学习tensorflow的一些基本用法。 其中tensorboard 作为一款可视化神器,可以说是学习tensorflow时模型训练以及参数可视化的法宝。 而在训练过程中,主要用到了tf.summary()的各类方法,能够保存训练过程以及参数分布图并在tensorboard显示。 tf.summary有诸多函数:
1、tf.summary.scalar 用来显示标量信息,其格式为: tf.summary.scalar(tags, values, collections=None, name=None) 例如:tf.summary.scalar('mean', mean) 一般在画loss,accuary时会用到这个函数。
2、tf.summary.histogram 用来显示直方图信息,其格式为: tf.summary.histogram(tags, values, collections=None, name=None) 例如: tf.summary.histogram('histogram', var) 一般用来显示训练过程中变量的分布情况
3、tf.summary.distribution 分布图,一般用于显示weights分布
4、tf.summary.text 可以将文本类型的数据转换为tensor写入summary中:
例如: text = """/a/b/c\\_d/f\\_g\\_h\\_2017""" summary_op0 = tf.summary.text('text', tf.convert_to_tensor(text))
5、tf.summary.image 输出带图像的probuf,汇总数据的图像的的形式如下: ' tag /image/0', ' tag /image/1'...,如:input/image/0等。 格式:tf.summary.image(tag, tensor, max_images=3, collections=None, name=Non
6、tf.summary.audio 展示训练过程中记录的音频
7、tf.summary.merge_all merge_all 可以将所有summary全部保存到磁盘,以便tensorboard显示。如果没有特殊要求,一般用这一句就可一显示训练时的各种信息了。 格式:tf.summaries.merge_all(key='summaries')
8、tf.summary.FileWriter 指定一个文件用来保存图。 格式:tf.summary.FileWritter(path,sess.graph) 可以调用其add_summary()方法将训练过程数据保存在filewriter指定的文件中 Tensorflow Summary 用法示例: tf.summary.scalar('accuracy',acc) #生成准确率标量图
merge_summary = tf.summary.merge_all()
train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件,dir为写入文件地址 ......(交叉熵、优化器等定义)
for step in xrange(training_step): #训练循环 train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图,生成一步的训练过程数据 train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存
此时开启tensorborad: tensorboard --logdir=/summary_dir 便能看见accuracy曲线了。 另外,如果我不想保存所有定义的summary信息,也可以用tf.summary.merge方法有选择性地保存信息:
9、tf.summary.merge 格式:tf.summary.merge(inputs, collections=None, name=None) 一般选择要保存的信息还需要用到tf.get_collection()函数 示例: tf.summary.scalar('accuracy',acc) #生成准确率标量图 merge_summary = tf.summary.merge([tf.get_collection(tf.GraphKeys.SUMMARIES,'accuracy'),...(其他要显示的信息)])
train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件,dir为写入文件地址 ......(交叉熵、优化器等定义)
for step in xrange(training_step): #训练循环 train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图,生成一步的训练过程数据 train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存
使用tf.get_collection函数筛选图中summary信息中的accuracy信息,这里的 tf.GraphKeys.SUMMARIES 是summary在collection中的标志。 当然,也可以直接: acc_summary = tf.summary.scalar('accuracy',acc) #生成准确率标量图 merge_summary = tf.summary.merge([acc_summary ,...(其他要显示的信息)])