tensorboard的使用

作用：

在复杂的问题中，网络往往都是很复杂的，为了方便调试参数以及调整网络结构，我们需要将计算图可视化出来，以便能够更好的进行下一步的决策。tensorboard是可视化tensorflow模型的训练过程的工具，在安装tensorflow的同时就已经安装好了tensorboard。tensorboard能够有效地展示tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息

工作流程：

tensorboard是通过一些操作将数据记录到文件中，然后再读取文件来完成作图的，关键的几个步骤如下：

（1）summary：在定义计算图的时候，在适当的位置加上一些summary操作

（2）merge：在训练的时候可能加了多个summary操作，需要使用tf.summary.merge_all将这些summary操作合成一个操作，由它来产生所有的summary数据

（3）run：在没有运行的时候这些操作是不会执行任何东西的，仅仅是定义了一下，在运行（开始训练）的时候，我们需要通过tf.summary.FileWrite()指定一个目录告诉程序把产生的文件放到哪，然后在运行的时候使用 add_summary() 来将某一步的 summary 数据记录到文件中

运行：

当训练完成后，在命令行使用 tensorboard --logdir=path/to/log-directory 来启动 TensorBoard，按照提示在浏览器打开页面，注意把 path/to/log-directory 替换成你上面指定的目录。

Tensorboard可以记录与展示以下数据形式：

（1）标量Scalars   存储和显示诸如学习率和损失等单个值的变化趋势

1. 图片Images   对于输入是图像的模型，显示某一步输入给模型的图像

（3）音频Audio   显示可播放的音频

（4）计算图Graph   显示代码中定义的计算图，也可以显示包括每个节点的计算时间、内存使用等情况

（5）数据分布Distribution   显示模型参数随迭代次数的变化情况

（6）直方图Histograms   显示模型参数随迭代次数的变化情况

（7）嵌入向量Embeddings  在3D或者2D图中展示高维数据

（8）文本Text   显示保存的一小段文字

 

例子1：

具体的代码如下所示：

#coding:utf-8

import tensorflow as tf
##定义一个简单的计算图，实现两个常量相加的操作
with tf.name_scope('graph') as scope:
    a = tf.constant(1,name='a')
    b = tf.constant(2,name='b')
    add = tf.add(a,b,name='add')
sess = tf.Session()

##生成一个写日志的writer，并将当前的tensorflow计算图写入日志
writer = tf.summary.FileWriter('F:/logs',sess.graph)
init = tf.global_variables_initializer()
sess.run(init)
'''
tf.name_scope函数是作用域名，上述代码中在graph中有3个op：a、b、add，用tf函数内部的name参数命名，这些会在tensorboard中显示出来
'''

在pycharm中的terminal中输入：

tensorboard --logdir=F:\logs

如下所示：

在上图中的红色框中在谷歌浏览器中输入相对应的网址，则显示的结果如下图所示：

注意：

写日志的位置中不要出现中文的地址，否则很有可能报错，本人刚开始时用的中文地址，结果一直没有显示出来，稍微注意一下下

 

例子2：

这个例子来自：

https://www.cnblogs.com/fydeblog/p/7429344.html

具体的代码如下所示：

import tensorflow as tf
import numpy as np
## prepare the original data
with tf.name_scope('data'):
    x_data = np.random.rand(100).astype(np.float32)
    y_data = 0.3*x_data+0.1
##creat parameters
with tf.name_scope('parameters'):
    weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
    bias = tf.Variable(tf.zeros([1]))
##get y_prediction
with tf.name_scope('y_prediction'):
    y_prediction = weight*x_data+bias
##compute the loss
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(y_data-y_prediction))
##creat optimizer
optimizer = tf.train.GradientDescentOptimizer(0.5)
#creat train ,minimize the loss
with tf.name_scope('train'):
    train = optimizer.minimize(loss)
#creat init
with tf.name_scope('init'):
    init = tf.global_variables_initializer()
##creat a Session
sess = tf.Session()
##initialize
writer = tf.summary.FileWriter('F:/logs', sess.graph)
sess.run(init)
## Loop
for step  in  range(200):
    sess.run(train)
    if step %10==0 :
        print (step ,'weight:',sess.run(weight),'bias:',sess.run(bias))

先初始化参数，算出预测，计算损失，然后训练，更新相应的参数

 

例子3：

针对例子2进行了一些修改，修改之后的代码如下所示：
修改的部分在代码中相应的做了注释

import tensorflow as tf
import numpy as np
## prepare the original data
with tf.name_scope('data'):
    x_data = np.random.rand(100).astype(np.float32)
    y_data = 0.3*x_data+0.1
##creat parameters
with tf.name_scope('parameters'):
    weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
    tf.summary.histogram('weights',weight)  ##新增加的代码
    bias = tf.Variable(tf.zeros([1]))
    tf.summary.histogram('bias',bias)  ##新增加的代码
##get y_prediction
with tf.name_scope('y_prediction'):
    y_prediction = weight*x_data+bias
##compute the loss
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(y_data-y_prediction))
    tf.summary.scalar('loss',loss)  ##新增加的代码
##creat optimizer
optimizer = tf.train.GradientDescentOptimizer(0.5)
#creat train ,minimize the loss
with tf.name_scope('train'):
    train = optimizer.minimize(loss)
#creat init
with tf.name_scope('init'):
    init = tf.global_variables_initializer()
##creat a Session
sess = tf.Session()
##merged
merged = tf.summary.merge_all()  ##新增加的代码
##initialize
writer = tf.summary.FileWriter('F:/logs', sess.graph)
sess.run(init)
## Loop
for step  in  range(200):
    sess.run(train)
    result = sess.run(merged)
    writer.add_summary(result,step)  ##新增加的代码  将打印代码进行了去除操作

scalar中的loss训练图如下所示：

distribution中的weight和bias的训练图如下所示：

histogram中的weight和bias的训练图如下所示：

我们可以根据训练图，对模型的学习情况进行评估，比如我们看损失训练图，可以看到现在是一条慢慢变小的曲线，最后的值趋近于0（在现实情况，往往都有误差，趋近于0反而是过拟合），这符合本意，就是要最小化loss，如果loss的曲线最后没有平滑趋近一个数，则说明训练的力度还不够，还要加大次数，如果loss还很大，说明学习算法不太理想，需改变当前的算法，去实现更小的loss，另外两幅与loss类似，最后都是要趋近一个数的，没有趋近和上下浮动都是有问题的。