tensorboard及summary data

（新手上路，如果有不对的地方，望指正。另外有没有小伙伴一起学习交流啊？）

 

tensorboard为tensorflow提供了可视化，它的重要性不言而喻。

 

tensorboard是通过读取events files来显示的，events file则包含在图计算时生成的summary data。

1.  tf.summary.scalar('mean', mean)
    tf.summary.histogram('histogram', var)

1.summary data

某个summary操作原型：

1. tf.summary.scalar(name, tensor, collections=None)

这些summary的操作都是对某个tensor产生单个的summary protocol buffer，是一种能被tensorboard读取的格式。Summaries provide a way to export condensed information about a model, which is then accessible in tools such as TensorBoard.

summary的操作对于整个图来说相当于是外设，因为tensorflow是由结果驱动的，而图的结果并不依赖于summary操作，所以summary操作需要被run。整个图经常需要检测许许多多的值，也就是许多值需要summary operation，一个个去run来启动太麻烦了，tensorflow为我们提供了这个函数：

1. merged=tf.summary.merge_all(key=tf.GraphKeys.SUMMARIES)
   #Merges all summaries collected in the default graph.

把图中所有的summary数据合并在一起，一个run就能启动所有的summary operations。像这样：

1. summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))

btw也有单独merge函数。

tensorboard是从磁盘中读events files的。tensorflow用一个tensorflow.summary.FileWriter将图 运行得到的summary 数据写到磁盘里。FileWriter的构造器包含一个logdir也就是summary data写到的位置，以及可选的图。

1. train_writer = tf.summary.FileWriter(FLAGS.summaries_dir +'/train',
   sess.graph)

把每一次run的信息和得到的数据加到writer里面

1.  train_writer.add_run_metadata(run_metadata, 'step%03d'% i)
    train_writer.add_summary(summary, i)

最后把writer关掉，大功告成。

1.  train_writer.close()

2.tensorboard

上面的步骤成功之后，events file就躺在你磁盘上logdir位置上了。

在命令行键入

 

tensorboard --logdir=path/to/files

我的logdir是/tmp/mnist_logs/train,我的代码就是

 

在浏览器里打开，localhost：6006

 

就这样可以看到各个数据的变化情况。

遇到的bug：在火狐浏览器中event的一片黑，换成Google自家chrome浏览器就OK了

 

 

null