先学习几个英文单词
summary 汇总，摘要
scope 范围
我这是很早以前的笔记，后来有了博客才发布的，有些内容比较老，懒得改了。
先说明总体流程
暂时不管怎么编程，假设已经有了如下代码，可执行的。
# encoding:utf-8 import tensorflow as tf print('version:', tf.__version__) foo = tf.Variable(3, name='foo') bar = tf.Variable(2, name='bar') result = tf.add(foo, bar, name='add') # 初始化变量 init = tf.global_variables_initializer() # 启动图 (graph) sess = tf.Session() sess.run(init) res = sess.run(result) print('result:', res) train_writer = tf.summary.FileWriter('log2', sess.graph)
可视化效果，先感性认识一下
可视化简要步骤
1.运行该代码
// 此时在log2中已经生成文件
2.启动可视化工具，两种方式
a. 找到tensorflow下的tensorboard.py文件，运行该文件，python tensorboard.py --logdir=...../log2/ 注意这里的路径和代码里的路径要一致 （这是老版本的）
b. 直接运行 tensorboard --host=10.10.101.2 --port=6099 --logdir="my_graph"
// tensorboard.exe 文件，和 python.exe 在一个路径下
// tensorBoard 不需要额外的安装，在tensorflow安装完成时，TensorBoard会被自动安装
// port host 可有可无
// 目录不带引号
3. 在浏览器中 访问 localhost:6006，点击graphs，即可看到
4. 注意每运行一次代码就要重启这个工具
详细说明
1. 数据序列化
tf可视化实际上是把运算数据序列化到本地，然后用浏览器加载这些数据
这个本地文件叫 ‘事件文件’，通过tensorboard来读取
weights = tf.Variable(tf.random_normal([3,2]), name='w') sess = tf.Session() writer = tf.summary.FileWriter('log2', sess.graph) # 序列化
SummaryWriter 两个参数，第一个参数是序列化的地址，第二个参数可选，如果输入了该参数，tensorboard就会显示图像。
2. 名字的作用域 scope
tf.name_scope() 会创建一个作用域，该作用域下的变量名都会加上该作用域的名字
with tf.name_scope('test'): weights = tf.Variable(tf.random_normal([3,2]), name='w') sess = tf.Session() writer = tf.summary.FileWriter('log2', sess.graph)
以上两步基本上就可以实现画图了
但是可视化不止画图
3.可视化内容
1. events 就是那些变量， 序列化后存到本地
// 通过向节点附加 scalar_summary 操作来输出变量
2. graphs 就是图，图里只有网络结构，没有数据
3. histograms 是直方图，把数据画成直方图
// 通过向节点附加 histogram_summary 操作来输出直方图
这其实都是先存数据，再可视化，所以也是需要在绘画中执行，那么如果你想输出很多数据，就需要在会话中挨个输出，很麻烦
tf 提供了一个合并操作，就是将这些输出合并，在会话中一次性全部输出，接口 tf.merge_all_summaries()
# coding:utf-8 import tensorflow as tf import numpy as np # 此代码仅用于可视化 x_data = np.random.rand(100).astype("float32") with tf.name_scope('y_data'): y_data = x_data * 2.5 + 0.8 # tf.histogram_summary("method_demo"+"/y_data",y_data) tf.summary.histogram("method_demo"+"/y_data",y_data) with tf.name_scope('W'): W = tf.Variable(tf.random_uniform([1], -200.0, 200.0)) tf.summary.histogram("method_demo"+"/W",W) with tf.name_scope('b'): b = tf.Variable(tf.zeros([1])) tf.summary.histogram("method_demo"+"/b",b) with tf.name_scope('y'): y = W * x_data + b tf.summary.histogram("method_demo"+"/y",y) # 最小化均方 with tf.name_scope('loss'): loss = tf.reduce_mean(tf.square(y - y_data)) tf.summary.histogram("method_demo"+"/loss",loss) tf.summary.scalar("method_demo222"+'loss',loss) optimizer = tf.train.GradientDescentOptimizer(0.7) with tf.name_scope('train'): train = optimizer.minimize(loss) init = tf.global_variables_initializer() sess = tf.Session() #合并到Summary中 merged = tf.summary.merge_all() #选定可视化存储目录 writer = tf.summary.FileWriter('log2',sess.graph) sess.run(init) # 开始计算 for step in range(500): sess.run(train) # tf.histogram_summary('method_demo'+'/train',train) if step % 5 == 0: print(step, "W:",sess.run(W),"b:", sess.run(b)) result = sess.run(merged) #merged也是需要run的 writer.add_summary(result,step) #result是summary类型 (result 纵坐标 step 横坐标)
运行 tensorboard，即可在浏览器访问
异常记录
1. InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'input/input_y' with dtype float and shape [100,1]
这个问题我查了好久，各种回答都有，都验证无效，解决方案见代码
# 以下皆可 merged = tf.summary.merge_all() # merged = tf.summary.merge([loss_scalar]) writer = tf.summary.FileWriter('logs', sess.graph) sess.run(init) for i in range(1000): loss2, _ = sess.run([loss, optimizer], feed_dict={input_x:x[:, np.newaxis], input_y:y[:, np.newaxis]}) # result = sess.run(merged) # 这样写报错 # InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'input/input_y' with dtype float and shape [100,1] result = sess.run(merged, feed_dict={input_x:x[:, np.newaxis], input_y:y[:, np.newaxis]}) writer.add_summary(result, i)
需要喂参数
参考资料：
https://zhuanlan.zhihu.com/p/36946874
