tensorboard的使用(转)
tensorboard的使用(转)
版权声明：本文为博主原创文章，转载请指明转载地址
http://www.cnblogs.com/fydeblog/p/7429344.html
前言
这篇博客将介绍tensorflow当中一个非常有用的可视化工具tensorboard的使用，它将对我们分析训练效果，理解训练框架和优化算法有很大的帮助。
还记得我的第一篇tensorflow博客上的的例子吗？这篇博客会以第一篇tensorflow博客的tensorboard图为例进行展开。
我会把这篇博客的相关代码（代码也会贴在博客上，可以直接copy生成py文件用）和notebook放在文后的百度云链接上，欢迎下载！
1. 实践1--矩阵相乘
相应的代码
这里相对于第一篇tensorflow多了一点东西，tf.name_scope函数是作用域名，上述代码斯即在graph作用域op下，又有三个op（分别是matrix1，matrix2，product),用tf函数内部的name参数命名，这样会在tensorboard中显示，具体图像还请看下面。
很重要：运行上面的代码，查询当前目录，就可以找到一个新生成的文件，已命名为logs，我们需在终端上运行tensorboard，生成本地链接，具体看我截图，当然你也可以将上面的代码直接生成一个py文档在终端运行，也会在终端当前目录生成一个logs文件，然后运行tensorboard --logdir logs指令，就可以生成一个链接，复制那个链接，在google浏览器（我试过火狐也行）粘贴显示，对于tensorboard 中显示的网址打不开的朋友们, 请使用 http://localhost:6006 （如果这个没有成功，我之前没有安装tensorboard，也出现链接，但那个链接点开什么都没有，所以还有一种可能就是你没有安装tensorboard，使用pip install tensorboard安装tensorboard，python3用pip3 install tensorboard）
具体运行过程如下（中间的警告请忽略，我把上面的代码命名为1.py运行的）
可以看到最后一行出现了链接，复制那个链接，推荐用google浏览器打开（火狐我试过也行），也可以直接打开链接http://localhost:6006，这样更方便！
如果出现下图，则证明打开成功
2. 实践2---线性拟合（一）
上面那一个是小试牛刀，比较简单，没有任何训练过程，下面将第一篇tensorflow笔记中的第二个例子来画出它的流动图（哦，对了，之所有说是流动图，这是由于tensorflow的名字就是张量在图形中流动的意思）
代码如下：（命名文件2.py）
1 import tensorflow as tf
2 import numpy as np
3
4 ## prepare the original data
5 with tf.name_scope('data'):
6 x_data = np.random.rand(100).astype(np.float32)
7 y_data = 0.3*x_data+0.1
8 ##creat parameters
9 with tf.name_scope('parameters'):
10 weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
11 bias = tf.Variable(tf.zeros([1]))
12 ##get y_prediction
13 with tf.name_scope('y_prediction'):
14 y_prediction = weight*x_data+bias
15 ##compute the loss
16 with tf.name_scope('loss'):
17 loss = tf.reduce_mean(tf.square(y_data-y_prediction))
18 ##creat optimizer
19 optimizer = tf.train.GradientDescentOptimizer(0.5)
20 #creat train ,minimize the loss
21 with tf.name_scope('train'):
22 train = optimizer.minimize(loss)
23 #creat init
24 with tf.name_scope('init'):
25 init = tf.global_variables_initializer()
26 ##creat a Session
27 sess = tf.Session()
28 ##initialize
29 writer = tf.summary.FileWriter("logs/", sess.graph)
30 sess.run(init)
31 ## Loop
32 for step in range(101):
33 sess.run(train)
34 if step %10==0 :
35 print step ,'weight:',sess.run(weight),'bias:',sess.run(bias)
运行这个程序会打印一些东西，看过第一篇tensorflow笔记的人应该知道
具体输出如下：
具体的运行过程如下图，跟第一个差不多
打开链接后，会出现下图
这个就是上面代码的流动图，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。
当然这个图还可以进行展开，里面有更详细的流动(截图无法全面，还请自己运行出看看哦)
Parameters部分
y_prediction部分和init部分
loss部分
还有最后的train部分
具体东西还请自己展开看看，不难理解
2. 实践2---线性拟合（二）
我们在对上面的代码进行再修改修改，试试tensorboard的其他功能，例如scalars，distributions，histograms,它们对我们分析学习算法的性能有很大帮助。
代码如下：（命名文件3.py）
1 import tensorflow as tf
2 import numpy as np
3
4 ## prepare the original data
5 with tf.name_scope('data'):
6 x_data = np.random.rand(100).astype(np.float32)
7 y_data = 0.3*x_data+0.1
8 ##creat parameters
9 with tf.name_scope('parameters'):
10 with tf.name_scope('weights'):
11 weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
12 tf.summary.histogram('weight',weight)
13 with tf.name_scope('biases'):
14 bias = tf.Variable(tf.zeros([1]))
15 tf.summary.histogram('bias',bias)
16 ##get y_prediction
17 with tf.name_scope('y_prediction'):
18 y_prediction = weight*x_data+bias
19 ##compute the loss
20 with tf.name_scope('loss'):
21 loss = tf.reduce_mean(tf.square(y_data-y_prediction))
22 tf.summary.scalar('loss',loss)
23 ##creat optimizer
24 optimizer = tf.train.GradientDescentOptimizer(0.5)
25 #creat train ,minimize the loss
26 with tf.name_scope('train'):
27 train = optimizer.minimize(loss)
28 #creat init
29 with tf.name_scope('init'):
30 init = tf.global_variables_initializer()
31 ##creat a Session
32 sess = tf.Session()
33 #merged
34 merged = tf.summary.merge_all()
35 ##initialize
36 writer = tf.summary.FileWriter("logs/", sess.graph)
37 sess.run(init)
38 ## Loop
39 for step in range(101):
40 sess.run(train)
41 rs=sess.run(merged)
42 writer.add_summary(rs, step)
闲麻烦，我把打印的去掉了，这里多了几个函数，tf.histogram（对应tensorboard中的scalar）和tf.scalar函数（对应tensorboard中的distribution和histogram）是制作变化图表的，两者差不多，使用方式可以参考上面代码，一般是第一项字符命名，第二项就是要记录的变量了，最后用tf.summary.merge_all对所有训练图进行合并打包，最后必须用sess.run一下打包的图，并添加相应的记录。
运行过程与上面两个一样
下面来看看tensorboard中的训练图吧
scalar中的loss训练图
distribution中的weight和bias的训练图
histogram中的weight和bias的训练图
我们可以根据训练图，对学习情况进行评估，比如我们看损失训练图，可以看到现在是一条慢慢减小的曲线，最后的值趋近趋近于0（这里趋近于0是由于我选的模型太容易训练了，误差可以逼近0，同时又能很好的表征系统的模型，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，还有加大次数，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，另外两幅图与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。
结尾
tensorboard的博客结束了，我写的只是基础部分，更多东西还请看官方的文档和教程，希望这篇博客能对你学习tensorboard有帮助！
notebook链接: https://pan.baidu.com/s/1o8lzN1g 密码: mbv8
