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：
• 图的直观展示：
• 直方图信息中心：

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

1 # coding=utf-8 2 from __future__ import print_function 3 import tensorflow as tf 4 import numpy as np 5 import matplotlib.pyplot as plt 6 import os 7  8 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 9 10 11 # ### 添加神经层12 13 14 def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):  # 参数n_layer用来标识层数15     layer_name = 'layer{}'.format(n_layer)16     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17         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18             Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')  # 参数name指定名称19             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20         with tf.name_scope('biases'):  # 定义图层并指定名称21             biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')  # 参数name指定名称22             tf.summary.histogram(layer_name + '/biases', biases)  # 生成直方图summary23         with tf.name_scope('Wx_plus_b'):  # 定义图层并指定名称24             Wx_plus_b = tf.matmul(inputs, Weights) + biases25         if activation_function is None:26             outputs = Wx_plus_b27         else:28             outputs = activation_function(Wx_plus_b)29         tf.summary.histogram(layer_name + '/outputs', outputs)  # 生成直方图summary30         return outputs31 32 33 # ### 构建数据34 x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]35 noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)36 y_data = np.square(x_data) - 0.5 + noise37 38 # ### 搭建网络39 with tf.name_scope('inputs'):  # 定义图层并指定名称40     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41     ys = tf.placeholder(tf.float32, [None, 1], name='y_input')  # 指定名称为y_input42 43 h1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)  # 隐藏层44 prediction = add_layer(h1, 10, 1, n_layer=2, activation_function=None)  # 输出层45 46 with tf.name_scope('loss'):  # 定义图层并指定名称47     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),48                                         reduction_indices=[1]))49     tf.summary.scalar('loss', loss)  # 用于标量的summary，loss在TensorBoard的event栏50 51 with tf.name_scope('train'):  # 定义图层并指定名称52     train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)53 54 sess = tf.Session()55 merged = tf.summary.merge_all()  # 合并之前定义的所有summary操作56 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57 init = tf.global_variables_initializer()58 sess.run(init)59 60 # ### 结果可视化61 fig = plt.figure()62 ax = fig.add_subplot(1, 1, 1)63 ax.scatter(x_data, y_data)64 plt.ion()65 plt.show()66 67 # ### 训练68 for i in range(1001):69     sess.run(train_step, feed_dict={xs: x_data, ys: y_data})70     if i % 50 == 0:71         result = sess.run(loss, feed_dict={xs: x_data, ys: y_data})72         print("Steps：{}  Loss：{}".format(i, result))73         rs = sess.run(merged, feed_dict={xs: x_data, ys: y_data})  # 在sess.run中运行74         writer.add_summary(rs, i)75         try:76             ax.lines.remove(lines[0])77         except Exception:78             pass79         prediction_value = sess.run(prediction, feed_dict={xs: x_data})80         lines = ax.plot(x_data, prediction_value, 'r-', lw=5)81         plt.pause(0.2)82 83 # ### TensorBoard84 # 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；85 #   - 可视化学习：https://www.tensorflow.org/guide/summaries_and_tensorboard86 #   - 图的直观展示：https://www.tensorflow.org/guide/graph_viz；87 #   - 直方图信息中心：https://www.tensorflow.org/guide/tensorboard_histograms88 #89 # ### 启动TensorBoard90 # 使用命令“tensorboard --logdir=path/to/log-directory”（或者“python -m tensorboard.main”）；91 # 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；92 # 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：0.19870562851428986Steps：50  Loss：0.006314810831099749Steps：100  Loss：0.0050856382586061954Steps：150  Loss：0.0048223137855529785Steps：200  Loss：0.004617161583155394Steps：250  Loss：0.004429362714290619Steps：300  Loss：0.004260621033608913Steps：350  Loss：0.004093690309673548Steps：400  Loss：0.003932977095246315Steps：450  Loss：0.0038178395479917526Steps：500  Loss：0.003722294932231307Steps：550  Loss：0.003660505171865225Steps：600  Loss：0.0036110866349190474Steps：650  Loss：0.0035716891288757324Steps：700  Loss：0.0035362064372748137Steps：750  Loss：0.0034975067246705294Steps：800  Loss：0.003465239657089114Steps：850  Loss：0.003431882942095399Steps：900  Loss：0.00339301535859704Steps：950  Loss：0.0033665322698652744Steps：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    
     
                .2019/02/24  23:41    
      
                 ..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=logsTensorBoard 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