Motivation

Tensorboard的PROJECTOR有着很美好的功能，它能够帮助我们查看网络中数据在二维、三维下的效果，但是一些Embedding示例过于简单，并没有网络的训练过程，所以将这些示例的用法用于真实模型训练时，会出现各种问题，导致Tensorboard中的PROJECTPR版块总是空白，显示不出写入的Embedding，归根到底还是对Tensorboard的Embedding机制不太了解，经过不停的摸索，总算初步掌握了Embedding的用法，以下将带大家深入了解Tensorflow Embedding.

Embedding

Tensorflow的PROJECTOR包含三个过程：1.获得数据 2.获得数据标签 3.获得数据图像。以下将通过一个mnist的简单示例来解释（代码汇总请见最下面），先上一个效果图：

获得数据

首先，我们要知道Tensorboard中显示的PROJECTOR数据是从saver()保存的张量数据中取出，所以在Embedding机制中通过一个tf.Variable变量(即下面的embedding_var)来存储需要投影的图像或者数据，为什么用tf.Variable呢？因为saver()主要保存的是网络的权值，而这些权值基本上都是由tf.Variable保存的，而像占位符tf.placeholder则不会保存，因为如果需要保存的话，那么所占内存就太大了，所以在Embedding机制中通过一个tf.Variable变量来存储需要投影的图像或者数据。-------而既然是tf.Variable，那么就需要用session初始化，所以embedding_var必须在sess.run(tf.global_variables_initializer())和saver.save()之前。对应代码如下：

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
import os
    
from tensorflow.contrib.tensorboard.plugins import projector
from tensorflow.examples.tutorials.mnist import input_data
    
LOG_DIR = 'minimalsample'
NAME_TO_VISUALISE_VARIABLE = "mnistembedding"
TO_EMBED_COUNT = 500

mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)
batch_xs, batch_ys = mnist.train.next_batch(TO_EMBED_COUNT)

embedding_var = tf.Variable(batch_xs, name=NAME_TO_VISUALISE_VARIABLE)

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
saver.save(sess, os.path.join(LOG_DIR, "model.ckpt"), 1)

以上就算是Embedding的最主要的部分了，通过Variable保存数据，然后Tensorboard就可以从saver()保存的ckpt文件中获得数据了。另外我们还要注册一个Projector，这样Tensorboard才显示Projector，而注册Projector则需要Embedding的信息，比如嵌入的变量名、tsv文件路径(下有解释)、sprite图像路径(下有解释)等。然后将写入tf.summary.FileWriter中就相当于是注册了projector了。代码如下：

config  =  projector.ProjectorConfig()
embedding = config.embeddings.add()
embedding.tensor_name = embedding_var.name

# Specify where you find the metadata
embedding.metadata_path = 'metadata.tsv' #'metadata.tsv'

# Specify where you find the sprite (we will create this later)
embedding.sprite.image_path = 'mnistdigits.png' #'mnistdigits.png'
embedding.sprite.single_image_dim.extend([28,28])

# Say that you want to visualise the embeddings
projector.visualize_embeddings(summary_writer, config)

这样Tensorboard就会显示Embedding的投影PROJECTOR了。

获得数据标签

Tensorboard要有显示，这里涉及到两个文件：1.tsv文件 2.sprite图像。在以下示例中是metadata.tsv和mnistdigits.png。

metadata.tsv：用于存放embedding_var中各数据的标签，以便在tensorboard中以不同颜色标注这些数据点。
mnistdigits.png：用于存放数据的图像表示。

其中metadata.tsv生成如下：

with open(path_for_mnist_metadata,'w') as f:
        f.write("Index\tLabel\n")
        for index,label in enumerate(batch_ys):
            f.write("%d\t%d\n" % (index,label))

可以很容易的看出metadata包含了数据的索引值和对应的标签，而这里的索引值和标签对应的embedding_var中数据的索引值和标签。

到这的时候，tensorboard上就会显示出数据点出来了，类似于：

其中不同颜色表示不同类别。

获取数据图像

如果需要把这些数据点用图像进行表示，就需要用到mnistdigits.png，这里生成mnistdigits.png用到了三个函数:

def create_sprite_image(images):
    """Returns a sprite image consisting of images passed as argument. Images should be count x width x height"""
    if isinstance(images, list):
        images = np.array(images)
    img_h = images.shape[1]
    img_w = images.shape[2]
    n_plots = int(np.ceil(np.sqrt(images.shape[0])))
    
    spriteimage = np.ones((img_h * n_plots ,img_w * n_plots ))
    
    for i in range(n_plots):
        for j in range(n_plots):
            this_filter = i * n_plots + j
            if this_filter < images.shape[0]:
                this_img = images[this_filter]
                spriteimage[i * img_h:(i + 1) * img_h,
                  j * img_w:(j + 1) * img_w] = this_img
    
    return spriteimage

def vector_to_matrix_mnist(mnist_digits):
    """Reshapes normal mnist digit (batch,28*28) to matrix (batch,28,28)"""
    return np.reshape(mnist_digits,(-1,28,28))

def invert_grayscale(mnist_digits):
    """ Makes black white, and white black """
    return 1-mnist_digits
    
to_visualise = batch_xs
to_visualise = vector_to_matrix_mnist(to_visualise)
to_visualise = invert_grayscale(to_visualise)
sprite_image = create_sprite_image(to_visualise)

其中vector_to_matrix_mnist用于将向量转为矩阵形式（图像表示），invert_grayscale则用于给图像添加背景色，一般为以上的用法，即背景色为白色。create_sprite_image则是把经过vector_to_matrix_mnist、invert_grayscale处理的embedding_var中的数据变为一个图像墙，如下：

这里有500个手写体图像，这里的500与embedding_var数据的行数对应相同。到此为止，Tensorboard就可以根据索引值和每个数据点的大小[28*28]来取数据点对应的图像贴到PROJECTOR上对应的数据点了。大功告成！效果如下：

参考

https://www.pinchofintelligence.com/simple-introduction-to-tensorboard-embedding-visualisation/

代码汇总

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

from tensorflow.contrib.tensorboard.plugins import projector
from tensorflow.examples.tutorials.mnist import input_data

LOG_DIR = 'minimalsample'
NAME_TO_VISUALISE_VARIABLE = "mnistembedding"
TO_EMBED_COUNT = 500

path_for_mnist_sprites = os.path.join(LOG_DIR,'mnistdigits.png')
path_for_mnist_metadata = os.path.join(LOG_DIR,'metadata.tsv')

mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)
batch_xs, batch_ys = mnist.train.next_batch(TO_EMBED_COUNT)

embedding_var = tf.Variable(batch_xs, name=NAME_TO_VISUALISE_VARIABLE)
summary_writer = tf.summary.FileWriter(LOG_DIR)

def create_sprite_image(images):
    """Returns a sprite image consisting of images passed as argument. Images should be count x width x height"""
    if isinstance(images, list):
        images = np.array(images)
    img_h = images.shape[1]
    img_w = images.shape[2]
    n_plots = int(np.ceil(np.sqrt(images.shape[0])))
    
    spriteimage = np.ones((img_h * n_plots ,img_w * n_plots ))
    
    for i in range(n_plots):
        for j in range(n_plots):
            this_filter = i * n_plots + j
            if this_filter < images.shape[0]:
                this_img = images[this_filter]
                spriteimage[i * img_h:(i + 1) * img_h,
                  j * img_w:(j + 1) * img_w] = this_img
    
    return spriteimage

def vector_to_matrix_mnist(mnist_digits):
    """Reshapes normal mnist digit (batch,28*28) to matrix (batch,28,28)"""
    return np.reshape(mnist_digits,(-1,28,28))

def invert_grayscale(mnist_digits):
    """ Makes black white, and white black """
    return 1-mnist_digits


config  =  projector.ProjectorConfig()
embedding = config.embeddings.add()
embedding.tensor_name = embedding_var.name

# Specify where you find the metadata
embedding.metadata_path = 'metadata.tsv' #'metadata.tsv'

# Specify where you find the sprite (we will create this later)
embedding.sprite.image_path = 'mnistdigits.png' #'mnistdigits.png'
embedding.sprite.single_image_dim.extend([28,28])

# Say that you want to visualise the embeddings
projector.visualize_embeddings(summary_writer, config)

sess  =  tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

saver = tf.train.Saver()
saver.save(sess, os.path.join(LOG_DIR, "model.ckpt"), 1)

to_visualise = batch_xs
to_visualise = vector_to_matrix_mnist(to_visualise)
to_visualise = invert_grayscale(to_visualise)

sprite_image = create_sprite_image(to_visualise)

plt.imsave(path_for_mnist_sprites,sprite_image,cmap='gray')
plt.imshow(sprite_image,cmap='gray')


with open(path_for_mnist_metadata,'w') as f:
    f.write("Index\tLabel\n")
    for index,label in enumerate(batch_ys):
        f.write("%d\t%d\n" % (index,label))

深入Tensorflow Embedding，解决Tensorboard无法显示PROJECTOR问题