tensorboard

基本用法

首先明确summary也是op

输出网络结构

sess = tf.Session()
writer = tf.summary.FileWriter(dir,sess.graph)

然后运行

tensorboard --logdir="dir"

然后用google浏览器打开他给的网址就可以了。

例程

los = ...
tf.summary.scalar("loss",loss)

merged = tf.summary.merge_all()
init = tf.global_variable_initializer()
sess = tf.Session()
writer = tf.summary.FileWriter(your_dir, sess.graph)
sess.run(init)
for i in xrange(100):
   _,summary = sess.run([train_op,merged_summary], feed_dict)
   writer.add_summary(summary, i)  #一定要加这句，不然就只有graphs

函数介绍

• tf.summary.merge_all: 将之前定义的所有summary op整合到一起
• FileWriter: 创建一个file writer用来向硬盘写summary数据,
• tf.summary.scalar(summary_tags, Tensor/variable, collections=None): 用于标量的 summary
• tf.summary.image(tag, tensor, #images=3, collections=None, name=None):tensor,必须4维,形状[batch_size, height, width, channels],#images(最多只能生成3张图片的summary),觉着这个用在卷积中的kernel可视化很好用.#images确定了生成的图片是[#images ,height, width, channels]，还有一点就是，TensorBord中看到的image summary永远是最后一个global step的
• tf.summary.histogram(tag, values, collections=None, name=None):values,任意形状的tensor,生成直方图summary
• tf.summary.audio(tag, tensor, sample_rate, max_outputs=3, collections=None, name=None)

解释collections参数：它是一个list,如果不指定collections, 那么此summary会被添加到tf.GraphKeys.SUMMARIES中，如果指定了，就会放在的collections中。

• add_summary函数：向FileWriter对象的缓存中存放event data，要是不使用这个函数就没有数据，tensorboard无法显示scalar和直方图

注意：

1. 如果执行一次，disk上没有保存Summary数据的话，可以尝试下file_writer.flush()
2. 如果想要生成的summary有层次的话，记得在summary外面加一个name_scope，如：

with tf.name_scope("summary_gradients"):
    tf.summary.histgram("name", gradients)