TensorFlow之TensorBoard

TensorBoard可以将训练过程中的各种绘制数据展示出来，包括 标量（scalars），图片（images），音频（Audio）,计算图（graph）,数据分布，直方图（histograms）和嵌入式向量。

使用TensorBoard展示数据，需要在执行Tensorflow计算图的过程中，将各种类型的数据汇总并记录到日志文件中。然后使用TensorBoard读取这些日志文件，解析数据并生产数据可视化的Web页面，让我们可以在浏览器中观察各种汇总数据。

summary_op包括了summary.scalar、summary.histogram、summary.image等操作，这些操作输出的是各种summary protobuf，最后通过summary.writer写入到event文件中。

Tensorflow API中包含系列生成summary数据的API接口，这些函数将汇总信息存放在protobuf中，以字符串形式表达。

对标量数据汇总和记录使用tf.summary.scalar，函数格式如下：

[python]  view plain  copy

1. tf.summary.scalar(tags, values, collections=None, name=None)  

使用tf.summary.histogram直接记录变量var的直方图，输出带直方图的汇总的protobuf，函数格式如下：

[python]  view plain  copy

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

输出带图像的probuf，汇总数据的图像的的形式如下： ' tag /image/0', ' tag /image/1', etc.，如：input/image/0等

[python]  view plain  copy

1. tf.summary.image(tag, tensor, max_images=3, collections=None, name=None)  

将上面几种类型的汇总再进行一次合并，具体合并哪些由inputs指定，格式如下：

tf.summary.merge(inputs, collections=None, name=None)

合并默认图形中的所有汇总：

[python]  view plain  copy

1. tf.summaries.merge_all(key='summaries')  

将汇总的protobuf写入到event文件中去的相关的类： SummaryWriter是一个类，它可以调用以下成员函数来往event文件中添加相关的数据 addsummary(), add sessionlog(), add_event(), or add_graph()

[python]  view plain  copy

1. tf.summary.FileWriter  

这里注意，计算图形的信息通过add_graph写入到event文件中。

下面通过MNIST代码例子讲解各种类型数据的汇总和展示的方法。

[python]  view plain  copy

1. # coding=utf-8  
2.   
3. import tensorflow as tf  
4. """ 
5. 首先载入Tensorflow，并设置训练的最大步数为1000,学习率为0.001,dropout的保留比率为0.9。 
6. 同时，设置MNIST数据下载地址data_dir和汇总数据的日志存放路径log_dir。 
7. 这里的日志路径log_dir非常重要，会存放所有汇总数据供Tensorflow展示。 
8. """  
9.   
10. from tensorflow.examples.tutorials.mnist import input_data  
11. max_step = 1000  
12. learning_rate = 0.001  
13. dropout = 0.9  
14. data_dir = '/tmp/tensorflow/mnist/input_data'  
15. log_dir = 'tmp/tensorflow/mnist/logs/mnist_with_summaries'  
16.   
17. # 使用input_data.read_data_sets下载MNIST数据，并创建Tensorflow的默认Session  
18. mnist = input_data.read_data_sets(data_dir, one_hot=True)  
19. sess = tf.InteractiveSession()  
20.   
21. """ 
22. 为了在TensorBoard中展示节点名称，设计网络时会常使用tf.name_scope限制命名空间， 
23. 在这个with下所有的节点都会自动命名为input/xxx这样的格式。 
24. 定义输入x和y的placeholder，并将输入的一维数据变形为28×28的图片存储到另一个tensor， 
25. 这样就可以使用tf.summary.image将图片数据汇总给TensorBoard展示了。 
26. """  
27. with tf.name_scope('input'):  
28.     x = tf.placeholder(tf.float32, [None, 784], name='x_input')  
29.     y = tf.placeholder(tf.float32, [None, 10], name='y_input')  
30.   
31. with tf.name_scope('input_reshape'):  
32.     image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])  
33.     tf.summary.image('input', image_shaped_input, 10)  
34.   
35. # 定义神经网络模型参数的初始化方法，  
36. # 权重依然使用常用的truncated_normal进行初始化，偏置则赋值为0.1  
37. def weight_variable(shape):  
38.     initial = tf.truncated_normal(shape, stddev=0.1)  
39.     return tf.Variable(initial)  
40.   
41. def bias_variable(shape):  
42.     initial = tf.constant(0.1, shape=shape)  
43.     return tf.Variable(initial)  
44.   
45. # 定义对Variable变量的数据汇总函数  
46. """ 
47. 计算出Variable的mean,stddev,max和min， 
48. 对这些标量数据使用tf.summary.scalar进行记录和汇总。 
49. 同时，使用tf.summary.histogram直接记录变量var的直方图。 
50. """  
51. def variable_summaries(var):  
52.     with tf.name_scope('summaries'):  
53.         mean = tf.reduce_mean(var)  
54.         tf.summary.scalar('mean', mean)  
55.         with tf.name_scope('stddev'):  
56.             stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean)))  
57.         tf.summary.scalar('stddev', stddev)  
58.         tf.summary.scalar('max', tf.reduce_max(var))  
59.         tf.summary.scalar('min', tf.reduce_min(var))  
60.         tf.summary.histogram('histogram', var)  
61.   
62. # 设计一个MLP多层神经网络来训练数据，在每一层中都会对模型参数进行数据汇总。  
63. """ 
64. 定一个创建一层神经网络并进行数据汇总的函数nn_layer。 
65. 这个函数的输入参数有输入数据input_tensor,输入的维度input_dim,输出的维度output_dim和层名称layer_name，激活函数act则默认使用Relu。 
66. 在函数内，显示初始化这层神经网络的权重和偏置，并使用前面定义的variable_summaries对variable进行数据汇总。 
67. 然后对输入做矩阵乘法并加上偏置，再将未进行激活的结果使用tf.summary.histogram统计直方图。 
68. 同时，在使用激活函数后，再使用tf.summary.histogram统计一次。 
69. """  
70. def nn_layer(input_tensor, input_dim, output_dim, layer_name,act=tf.nn.relu):  
71.     with tf.name_scope(layer_name):  
72.         with tf.name_scope('weight'):  
73.             weights = weight_variable([input_dim, output_dim])  
74.             variable_summaries(weights)  
75.         with tf.name_scope('biases'):  
76.             biases = bias_variable([output_dim])  
77.             variable_summaries(biases)  
78.         with tf.name_scope('Wx_plus_b'):  
79.             preactivate = tf.matmul(input_tensor, weights) + biases  
80.             tf.summary.histogram('pre_activations', preactivate)  
81.         activations = act(preactivate, name='actvations')  
82.         tf.summary.histogram('activations', activations)  
83.         return activations  
84.   
85. """ 
86. 使用刚定义好的nn_layer创建一层神经网络，输入维度是图片的尺寸（784=24×24），输出的维度是隐藏节点数500. 
87. 再创建一个Droput层，并使用tf.summary.scalar记录keep_prob。然后再使用nn_layer定义神经网络的输出层，激活函数为全等映射，此层暂时不使用softmax,在后面会处理。 
88. """  
89. hidden1 = nn_layer(x, 784, 500, 'layer1')  
90.   
91. with tf.name_scope('dropout'):  
92.     keep_prob = tf.placeholder(tf.float32)  
93.     tf.summary.scalar('dropout_keep_probability', keep_prob)  
94.     dropped = tf.nn.dropout(hidden1, keep_prob)  
95.   
96. y1 = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)  
97.   
98. """ 
99. 这里使用tf.nn.softmax_cross_entropy_with_logits()对前面输出层的结果进行softmax处理并计算交叉熵损失cross_entropy。 
100. 计算平均损失，并使用tf.summary.saclar进行统计汇总。 
101. """  
102. with tf.name_scope('cross_entropy'):  
103.     diff = tf.nn.softmax_cross_entropy_with_logits(logits=y1, labels=y)  
104.     with tf.name_scope('total'):  
105.         cross_entropy = tf.reduce_mean(diff)  
106. tf.summary.scalar('cross_entropy', cross_entropy)  
107.   
108. """ 
109. 使用Adma优化器对损失进行优化，同时统计预测正确的样本数并计算正确率accuray， 
110. 再使用tf.summary.scalar对accuracy进行统计汇总。 
111. """  
112. with tf.name_scope('train'):  
113.     train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)  
114. with tf.name_scope('accuracy'):  
115.     with tf.name_scope('correct_prediction'):  
116.         correct_prediction = tf.equal(tf.argmax(y1, 1), tf.arg_max(y, 1))  
117.     with tf.name_scope('accuracy'):  
118.         accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  
119. tf.summary.scalar('accuracy', accuracy)  
120.   
121. """ 
122. 由于之前定义了非常多的tf.summary的汇总操作，一一执行这些操作态麻烦， 
123. 所以这里使用tf.summary.merger_all()直接获取所有汇总操作，以便后面执行。 
124. 然后，定义两个tf.summary.FileWrite(文件记录器)在不同的子目录，分别用来存放训练和测试的日志数据。 
125. 同时，将Session的计算图sess.graph加入训练过程的记录器，这样在TensorBoard的GRAPHS窗口中就能展示整个计算图的可视化效果。 
126. 最后使用tf.global_variables_initializer().run()初始化全部变量。 
127. """  
128. merged = tf.summary.merge_all()  
129. train_writer = tf.summary.FileWriter(log_dir + '/train', sess.graph)  
130. test_writer = tf.summary.FileWriter(log_dir + '/test')  
131. tf.global_variables_initializer().run()  
132.   
133. """ 
134. 定义feed_dict的损失函数。 
135. 该函数先判断训练标记，如果训练标记为true,则从mnist.train中获取一个batch的样本，并设置dropout值; 
136. 如果训练标记为False，则获取测试数据，并设置keep_prob为1,即等于没有dropout效果。 
137. """  
138. def feed_dict(train):  
139.     if train:  
140.         xs, ys = mnist.train.next_batch(100)  
141.         k = dropout  
142.     else:  
143.         xs, ys = mnist.test.images, mnist.test.labels  
144.         k = 1.0  
145.     return {x: xs, y: ys, keep_prob: k}  
146.   
147. # 实际执行具体的训练，测试及日志记录的操作  
148. """ 
149. 首先，使用tf.train.Saver()创建模型的保存器。 
150. 然后，进入训练的循环中，每隔10步执行一次merged（数据汇总），accuracy（求测试集上的预测准确率）操作， 
151. 并使应test_write.add_summary将汇总结果summary和循环步数i写入日志文件; 
152. 同时每隔100步，使用tf.RunOption定义Tensorflow运行选项，其中设置trace_level为FULL——TRACE, 
153. 并使用tf.RunMetadata()定义Tensorflow运行的元信息， 
154. 这样可以记录训练是运算时间和内存占用等方面的信息. 
155. 再执行merged数据汇总操作和train_step训练操作，将汇总summary和训练元信息run_metadata添加到train_writer. 
156. 平时，则执行merged操作和train_step操作，并添加summary到trian_writer。 
157. 所有训练全部结束后，关闭train_writer和test_writer。 
158. """  
159. saver = tf.train.Saver()  
160. for i in range(max_step):  
161.     if i % 10 == 0:  
162.         summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))  
163.         test_writer.add_summary(summary, i)  
164.         print('Accuracy at step %s: %s' % (i, acc))  
165.     else:  
166.         if i % 100 == 99:  
167.             run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)  
168.             run_metadata = tf.RunMetadata()  
169.             summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True),  
170.                                   options=run_options, run_metadata=run_metadata)  
171.             train_writer.add_run_metadata(run_metadata, 'step%03d' % i)  
172.             train_writer.add_summary(summary, i)  
173.             saver.save(sess, log_dir+"/model.ckpt", i)  
174.             print('Adding run metadata for', i)  
175.         else:  
176.             summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))  
177.             train_writer.add_summary(summary, i)  
178. train_writer.close()  
179. test_writer.close()  

之后切换到Linux终端命令下，执行TensorBoard程序，并通过--logdir指定TensorFlow日志路径，然后哦=TensorBoard就可以自动生成所有汇总数据可视化的结果来。

[python]  view plain  copy

1. tensorboard --logdir=/tmp/tensorflow/mnist/logs/mnist_with_summaries  

执行上面的命令后，出现一条提示信息，复制其中的网址到浏览器，就可以看到数据可视化的图标来。

[python]  view plain  copy

1. Starting TensorBoard b'39' on port 6006  
2. (You can naviiage to http://0.0.0.0.6006)  

以下是tensorFlow1.0以下版本的方式，可供其他版本的同学借鉴下：

使用tf.scalar_summary来收集想要显示的变量，使用scalar_summary的时候，注意tag和tensor的shape一致，tf.scalar_summary(节点名称，获取的数据)，例如:下文代码实例中的loss以及accurary都可以使用。

各层网络权重、偏置的分布，用histogram_summary函数。

historgram_summary用于生成分布图，也可以用saclar_summary记录存数值；前者在history一栏里查看分布图，后者在event一栏中查看数值变化情况。

当需要获取的数据较多的时候，我们一个一个去保存获取到的数据，以及一个一个去运行会显得比较麻烦。tensorflow提供了一个简单的方法，就是合并所有的summary data的获取函数，保存和运行只对一个对象进行操作。比如，写入默认路径中，比如/tmp/mnist_logs (by default)

定义一个summury op, 用来汇总多个变量

[python]  view plain  copy

1. merged = tf.merge_all_summaries()   

得到一个summy writer，指定写入路径

[python]  view plain  copy

1. tf.train.SummaryWriter()    

添加写入

[python]  view plain  copy

1. train_writer.add_summary()   

以下为完整实例代码：

[python]  view plain  copy

1. """ 
2. Please note, this code is only for python 3+. If you are using python 2+, please modify the code accordingly. 
3. """  
4. import tensorflow as tf  
5. import numpy as np  
6.   
7.   
8. def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):  
9.     # add one more layer and return the output of this layer  
10.     layer_name = 'layer%s' % n_layer  
11.     with tf.name_scope(layer_name):  
12.         with tf.name_scope('weights'):  
13.             Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')  
14.             tf.histogram_summary(layer_name + '/weights', Weights)  
15.         with tf.name_scope('biases'):  
16.             biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')  
17.             tf.histogram_summary(layer_name + '/biases', biases)  
18.         with tf.name_scope('Wx_plus_b'):  
19.             Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)  
20.         if activation_function is None:  
21.             outputs = Wx_plus_b  
22.         else:  
23.             outputs = activation_function(Wx_plus_b, )  
24.         tf.histogram_summary(layer_name + '/outputs', outputs)  
25.         return outputs  
26.   
27.   
28. # Make up some real data  
29. x_data = np.linspace(-1, 1, 300)[:, np.newaxis]  
30. noise = np.random.normal(0, 0.05, x_data.shape)  
31. y_data = np.square(x_data) - 0.5 + noise  
32.   
33. # define placeholder for inputs to network  
34. with tf.name_scope('inputs'):  
35.     xs = tf.placeholder(tf.float32, [None, 1], name='x_input')  
36.     ys = tf.placeholder(tf.float32, [None, 1], name='y_input')  
37.   
38. # add hidden layer  
39. l1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)  
40. # add output layer  
41. prediction = add_layer(l1, 10, 1, n_layer=2, activation_function=None)  
42.   
43. # the error between prediciton and real data  
44. with tf.name_scope('loss'):  
45.     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),  
46.                                         reduction_indices=[1]))  
47.     tf.scalar_summary('loss', loss)  
48.   
49. with tf.name_scope('train'):  
50.     train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  
51.   
52. sess = tf.Session()  
53. merged = tf.merge_all_summaries()  
54. writer = tf.train.SummaryWriter("logs/", sess.graph)  
55. # important step  
56. sess.run(tf.initialize_all_variables())  
57.   
58. for i in range(1000):  
59.     sess.run(train_step, feed_dict={xs: x_data, ys: y_data})  
60.     if i % 50 == 0:  
61.         result = sess.run(merged, feed_dict={xs: x_data, ys: y_data})  
62.         writer.add_summary(result, i)  

接下来，程序开始运行以后，跑到shell里运行，打开终端，输入如下语句：

cd到指定的文件下

tensorboard --logdir  = ‘logs/’

开始运行tensorboard。接下来打开浏览器，进入127.0.0.1：6006 就能够看到loss值在训练中的变化了。