TensorBoard 简介及使用流程

https://blog.csdn.net/gsww404/article/details/78605784

五、启动 TensorBoard 展示所有日志图表

1. 通过 Windows 下的 cmd 启动

• 运行你的程序，在指定目录下(logs)生成 event 文件
• 在 logs 所在目录，按住 shift 键，点击右键选择在此处打开 cmd
• 在 cmd 中，输入以下命令启动 tensorboard --logdir=logs，注意：logs的目录并不需要加引号, logs 中有多个event 时，会生成scalar 的对比图，但 graph 只会展示最新的结果
• 把下面生成的网址(http://DESKTOP-S2Q1MOS:6006 # 每个人的可能不一样) copy 到浏览器中打开即可 
   
  
  

2. 通过 Ubuntu下的 bash 启动

• 运行你的程序(python my_program.py)，在指定目录下(logs)生成 event 文件
• 在 bash 中，输入以下命令启动 tensorboard --logdir=logs --port=8888，注意：logs的目录并不需要加引号，端口号必须是事先在路由器中配置好的
• 把下面生成的网址(http://ubuntu16:8888 # 把ubuntu16 换成服务器的外部ip地址即可) copy 到本地浏览器中打开即可 

六、使用 TF 实现一元线性回归(并使用 TensorBoard 可视化)

      略 

一、TensorBoard 简介及使用流程

1、TensoBoard 简介

TensorBoard 和 TensorFLow 程序跑在不同的进程中，TensorBoard 会自动读取最新的 TensorFlow 日志文件，并呈现当前 TensorFLow 程序运行的最新状态。

2、TensorBoard 使用流程

• 添加记录节点：tf.summary.scalar/image/histogram()等
• 汇总记录节点：merged = tf.summary.merge_all()
• 运行汇总节点：summary = sess.run(merged)，得到汇总结果
• 日志书写器实例化：summary_writer = tf.summary.FileWriter(logdir, graph=sess.graph)，实例化的同时传入 graph 将当前计算图写入日志
• 调用日志书写器实例对象summary_writer的add_summary(summary, global_step=i)方法将所有汇总日志写入文件
• 调用日志书写器实例对象summary_writer的close()方法写入内存，否则它每隔120s写入一次

---

二、TensorFlow 可视化分类

1、计算图的可视化：add_graph()

...create a graph...
# Launch the graph in a session.
sess = tf.Session()
# Create a summary writer, add the 'graph' to the event file.
writer = tf.summary.FileWriter(logdir, sess.graph)
writer.close()  # 关闭时写入内存，否则它每隔120s写入一次

• 1
• 2
• 3
• 4
• 5
• 6

2、监控指标的可视化：add_summary()

I、SCALAR

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

• 可视化训练过程中随着迭代次数准确率(val acc)、损失值(train/test loss)、学习率(learning rate)、每一层的权重和偏置的统计量(mean、std、max/min)等的变化曲线

• 输入参数：

  • name：此操作节点的名字，TensorBoard 中绘制的图形的纵轴也将使用此名字
  • tensor： 需要监控的变量 A real numeric Tensor containing a single value.

• 输出：

  • A scalar Tensor of type string. Which contains a Summary protobuf.

II、IMAGE

tf.summary.image(name, tensor, max_outputs=3, collections=None, family=None)

• 可视化当前轮训练使用的训练/测试图片或者 feature maps

• 输入参数：

  • name：此操作节点的名字，TensorBoard 中绘制的图形的纵轴也将使用此名字
  • tensor： A r A 4-D uint8 or float32 Tensor of shape [batch_size, height, width, channels] where channels is 1, 3, or 4
  • max_outputs：Max number of batch elements to generate images for

• 输出：

  • A scalar Tensor of type string. Which contains a Summary protobuf.

III、HISTOGRAM

tf.summary.histogram(name, values, collections=None, family=None)

• 可视化张量的取值分布

• 输入参数：

  • name：此操作节点的名字，TensorBoard 中绘制的图形的纵轴也将使用此名字
  • tensor： A real numeric Tensor. Any shape. Values to use to build the histogram

• 输出：

  • A scalar Tensor of type string. Which contains a Summary protobuf.

IV、MERGE_ALL

tf.summary.merge_all(key=tf.GraphKeys.SUMMARIES)

• Merges all summaries collected in the default graph
• 因为程序中定义的写日志操作比较多，一一调用非常麻烦，所以TensoorFlow 提供了此函数来整理所有的日志生成操作，eg：merged = tf.summary.merge_all ()
• 此操作不会立即执行，所以，需要明确的运行这个操作(summary = sess.run(merged))来得到汇总结果
• 最后调用日志书写器实例对象的add_summary(summary, global_step=i)方法将所有汇总日志写入文件

3、多个事件(event)的可视化：add_event()

• 如果 logdir 目录的子目录中包含另一次运行时的数据(多个 event)，那么 TensorBoard 会展示所有运行的数据(主要是scalar)，这样可以用于比较不同参数下模型的效果，调节模型的参数，让其达到最好的效果！
• 上面那条线是迭代200次的loss曲线图，下面那条是迭代400次的曲线图，程序见最后。

---

三、通过命名空间美化计算图

• 使用命名空间使可视化效果图更有层次性，使得神经网络的整体结构不会被过多的细节所淹没
• 同一个命名空间下的所有节点会被缩略成一个节点，只有顶层命名空间中的节点才会被显示在 TensorBoard 可视化效果图上
• 可通过tf.name_scope()或者tf.variable_scope()来实现，具体见最后的程序。

---

四、将所有日志写入到文件：tf.summary.FileWriter()

tf.summary.FileWriter(logdir, graph=None, flush_secs=120, max_queue=10)

• 负责将事件日志(graph、scalar/image/histogram、event)写入到指定的文件中

• 初始化参数：

  • logdir：事件写入的目录
  • graph：如果在初始化的时候传入sess,graph的话，相当于调用add_graph() 方法，用于计算图的可视化
  • flush_sec：How often, in seconds, to flush the added summaries and events to disk.
  • max_queue：Maximum number of summaries or events pending to be written to disk before one of the ‘add’ calls block.

• 其它常用方法：

  • add_event(event)：Adds an event to the event file
  • add_graph(graph, global_step=None)：Adds a Graph to the event file，Most users pass a graph in the constructor instead
  • add_summary(summary, global_step=None)：Adds a Summary protocol buffer to the event file，一定注意要传入 global_step
  • close()：Flushes the event file to disk and close the file
  • flush()：Flushes the event file to disk
  • add_meta_graph(meta_graph_def,global_step=None)
  • add_run_metadata(run_metadata, tag, global_step=None)