转载：https://blog.csdn.net/wgj99991111/article/details/84708255
今天学习tensorboard中直方图的使用。首先了解下直方图的含义：
GB/T3358.1—2009对“直方图”的定义是:频数分布的一种图形表示，由一些相邻的长方形组成，每个长方形的底宽等于组距，面积与组的频数成比例。
也就是说，直方图是表示频次分布情况的一种图像，在tensorboard中，用直方图显示张量，主要就是显示张量中每个值的出现频次。
一、代码添加
首先在层的应用函数中加入数据采集代码。
def get_output(self, inputs, is_training=True):
with tf.name_scope('%s_cal' % (self.name)) as scope:
# hidden states
self.hidden = self.conv(inputs=inputs)
tf.summary.histogram('histogram', self.conv.weights)
#self.variable_summaries(self.conv.weights)
# batch normalization 技术
if self.batch_normal:
self.hidden = self.bn(self.hidden, training=is_training)
# activation
if self.activation == 'relu':
self.output = tf.nn.relu(self.hidden)
elif self.activation == 'tanh':
self.output = tf.nn.tanh(self.hidden)
elif self.activation == 'leaky_relu':
self.output = self.leaky_relu(self.hidden)
elif self.activation == 'sigmoid':
self.output = tf.nn.sigmoid(self.hidden)
elif self.activation == 'none':
self.output = self.hidden
return self.output
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
注意：这里要采集的是卷积层的权重矩阵的值， tf.summary.histogram(‘histogram’, self.conv.weights)，由于这里使用的是tf.layers.Conv2D这个函数，所以这里的采集对象是self.conv.weights，（我在前面定义了self.conv = tf.layers.Conv2D（…），所以这里可以使用self.conv.weights进行采集）可以理解为定义了一个类self.conv，这个类使用self.conv = tf.layers.Conv2D（…），进行初始化，这里采集类的weights属性。
这里注意一定是weights，而不是get_weights()，或者weight_init_value。
之后一切步骤如前，就可以得到图，进而进行图的显示。
二、直方图的含义
通过前面的设置，训练之后，就可以得到如下直方图：
该图的横坐标表示权重值的分布范围，右侧的总坐标表示训练测次数，对应的图形中曲线的颜色由后至前逐步变浅，表示训练的次数逐步增加。图形中包含很多个曲线的切片，每个切片表示一次数据采集过程中的情况。从图中可以看出权重值分布范围内每个值出现的频次，如图黑色曲线所示：0.0709这个权重值出现了158次。
如果在页面左侧的histogram mode选择overlay，则会显示如下图形：
该图的下方仍然是权重值的分布范围，右侧显示的则是某个权重值出现的频次，中间的曲线是各次训练结果的累加显示。鼠标点在页面上可以看到一条黑色的曲线。比如，如图所示，从这条黑色的曲线上我们可以看到，权重值0.0709在训练的第40448次出现频次为155次。
三、distributions显示内容解析
distributions图和histogram图显示的数据源是相同的，只是用不同的方式对相同的内容进行展示。在网上找了很久也没要找到关于distributions图的详解，下面写写自己对该图的理解：
该图的横坐标为训练的次数，纵坐标为权重值的取值范围，图中首先从整体上显示了在训练过程中权重值的取值范围，然后用不同的颜色表示取某个区域值的频次，颜色越深表示出现的频次越多。从上图可以看出，该权重值在0附近颜色最深，也就是说在0附近这个区域权重值的取值频次最高。