AI - TensorFlow - 可视化工具TensorBoard

TensorBoard

TensorFlow自带的可视化工具，能够以直观的流程图的方式，清楚展示出整个神经网络的结构和框架，便于理解模型和发现问题。

• 可视化学习：https://www.tensorflow.org/guide/summaries_and_tensorboard
• 图的直观展示：https://www.tensorflow.org/guide/graph_viz
• 直方图信息中心：https://www.tensorflow.org/guide/tensorboard_histograms

启动TensorBoard

• 使用命令“tensorboard --logdir=path/to/log-directory”（或者“python -m tensorboard.main”）；
• 参数logdir指向FileWriter将数据序列化的目录，建议在logdir上一级目录执行此命令；
• TensorBoard运行后，在浏览器输入“localhost:6006”即可查看TensorBoard；

帮助信息

• 使用“tensorboard --help”查看tensorboard的详细参数

示例

程序代码

 # coding=utf-8
 from __future__ import print_function
 import tensorflow as tf
 import numpy as np
 import matplotlib.pyplot as plt
 import os

 os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''

 # ### 添加神经层

 def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):  # 参数n_layer用来标识层数
     layer_name = 'layer{}'.format(n_layer)
     with tf.name_scope(layer_name):  # 使用with tf.name_scope定义图层，并指定在可视化图层中的显示名称
         with tf.name_scope('weights'):  # 定义图层并指定名称，注意这里是上一图层的子图层
             Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')  # 参数name指定名称
             tf.summary.histogram(layer_name + '/weights', Weights)  # 生成直方图summary，指定图表名称和记录的变量
         with tf.name_scope('biases'):  # 定义图层并指定名称
             biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')  # 参数name指定名称
             tf.summary.histogram(layer_name + '/biases', biases)  # 生成直方图summary
         with tf.name_scope('Wx_plus_b'):  # 定义图层并指定名称
             Wx_plus_b = tf.matmul(inputs, Weights) + biases
         if activation_function is None:
             outputs = Wx_plus_b
         else:
             outputs = activation_function(Wx_plus_b)
         tf.summary.histogram(layer_name + '/outputs', outputs)  # 生成直方图summary
         return outputs

 # ### 构建数据
 x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]
 noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
 y_data = np.square(x_data) - 0.5 + noise

 # ### 搭建网络
 with tf.name_scope('inputs'):  # 定义图层并指定名称
     xs = tf.placeholder(tf.float32, [None, 1], name='x_input')  # 指定名称为x_input，也就是在可视化图层中的显示名称
     ys = tf.placeholder(tf.float32, [None, 1], name='y_input')  # 指定名称为y_input

 h1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)  # 隐藏层
 prediction = add_layer(h1, 10, 1, n_layer=2, activation_function=None)  # 输出层

 with tf.name_scope('loss'):  # 定义图层并指定名称
     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                                         reduction_indices=[1]))
     tf.summary.scalar('loss', loss)  # 用于标量的summary，loss在TensorBoard的event栏

 with tf.name_scope('train'):  # 定义图层并指定名称
     train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

 sess = tf.Session()
 merged = tf.summary.merge_all()  # 合并之前定义的所有summary操作
 writer = tf.summary.FileWriter("logs/", sess.graph)  # 创建FileWriter对象和event文件，指定event文件的存放目录
 init = tf.global_variables_initializer()
 sess.run(init)

 # ### 结果可视化
 fig = plt.figure()
 ax = fig.add_subplot(1, 1, 1)
 ax.scatter(x_data, y_data)
 plt.ion()
 plt.show()

 # ### 训练
 for i in range(1001):
     sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
     if i % 50 == 0:
         result = sess.run(loss, feed_dict={xs: x_data, ys: y_data})
         print("Steps：{}  Loss：{}".format(i, result))
         rs = sess.run(merged, feed_dict={xs: x_data, ys: y_data})  # 在sess.run中运行
         writer.add_summary(rs, i)
         try:
             ax.lines.remove(lines[0])
         except Exception:
             pass
         prediction_value = sess.run(prediction, feed_dict={xs: x_data})
         lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
         plt.pause(0.2)

 # ### TensorBoard
 # TensorFlow自带的可视化工具，能够以直观的流程图的方式，清楚展示出整个神经网络的结构和框架，便于理解模型和发现问题；
 #   - 可视化学习：https://www.tensorflow.org/guide/summaries_and_tensorboard
 #   - 图的直观展示：https://www.tensorflow.org/guide/graph_viz；
 #   - 直方图信息中心：https://www.tensorflow.org/guide/tensorboard_histograms
 #
 # ### 启动TensorBoard
 # 使用命令“tensorboard --logdir=path/to/log-directory”（或者“python -m tensorboard.main”）；
 # 参数logdir指向FileWriter将数据序列化的目录，建议在logdir上一级目录执行此命令；
 # TensorBoard运行后，在浏览器输入“localhost:6006”即可查看TensorBoard；

程序运行结果

运行过程中显示的图形：

某一次运行的命令行输出：

Steps：0  Loss：0.19870562851428986
Steps：50  Loss：0.006314810831099749
Steps：100  Loss：0.0050856382586061954
Steps：150  Loss：0.0048223137855529785
Steps：200  Loss：0.004617161583155394
Steps：250  Loss：0.004429362714290619
Steps：300  Loss：0.004260621033608913
Steps：350  Loss：0.004093690309673548
Steps：400  Loss：0.003932977095246315
Steps：450  Loss：0.0038178395479917526
Steps：500  Loss：0.003722294932231307
Steps：550  Loss：0.003660505171865225
Steps：600  Loss：0.0036110866349190474
Steps：650  Loss：0.0035716891288757324
Steps：700  Loss：0.0035362064372748137
Steps：750  Loss：0.0034975067246705294
Steps：800  Loss：0.003465239657089114
Steps：850  Loss：0.003431882942095399
Steps：900  Loss：0.00339301535859704
Steps：950  Loss：0.0033665322698652744
Steps：1000  Loss：0.003349516075104475

生成的TensorBoard文件：

(mlcc) D:\Anliven\Anliven-Code\PycharmProjects\TempTest>dir logs
 驱动器 D 中的卷是 Files
 卷的序列号是 ACF9-2E0E

 D:\Anliven\Anliven-Code\PycharmProjects\TempTest\logs 的目录

2019/02/24  23:41    <DIR>          .
2019/02/24  23:41    <DIR>          ..
2019/02/24  23:41           137,221 events.out.tfevents.1551022894.DESKTOP-68OFQFP
               1 个文件        137,221 字节
               2 个目录 219,401,887,744 可用字节

(mlcc) D:\Anliven\Anliven-Code\PycharmProjects\TempTest>

启动与TensorBoard

执行下面的启动命令，然后在浏览器中输入“http://localhost:6006/”查看。

(mlcc) D:\Anliven\Anliven-Code\PycharmProjects\TempTest>tensorboard --logdir=logs
TensorBoard 1.12.0 at http://DESKTOP-68OFQFP:6006 (Press CTRL+C to quit)

栏目Scalars

栏目Graphs

• 通过鼠标滑轮可以改变显示大小和位置
• 鼠标双击“+”标识可以查看进一步的信息
• 可以将指定图层从主图层移出，单独显示

栏目Distributions

栏目histograms