遵循：BY-SA
作者：谭东
时间：2017年6月10日
环境：Windows 7
TensorBoard是TensorFlow自带的可视化结构管理和调试优化网络的工具。在我们学习深度学习网络框架时，我们需要更直观的看到各层网络结构和参数，也可以更好的进行调试优化网络。TensorBoard可以实现网络结构的显示，也可以进行显示训练及测试过程中各层参数的变化情况。
我们先看下TensorBoard的大致界面。
我们可以看到顶部有几个功能分类：SCALARS、IMAGES、AUDIO、GRAPHS等。
SCALARS是训练参数统计显示，可以看到整个训练过程中，各个参数的变换情况。
官方英文翻译：
TensorBoard的标量仪表板可视化随时间变化的标量统计; 例如，您可能需要跟踪模型的损失或学习率。 如关键概念所述，您可以比较多个运行，数据按标签组织。 折线图具有以下交互作用：
- 点击每个图表左下角的小蓝色图标将展开图表
- 在图表上拖动矩形区域将放大
- 双击图表将缩小
- 鼠标在图表上会产生十字准线，数据值记录在左侧的运行选择器中。
IMAGES输入和输出标签。
官方翻译：
图像仪表板可以显示通过tf.image_summary保存的png。 设置仪表板，使每行对应一个不同的标签，每列对应一个运行。 由于图像显示板支持任意的png，您可以使用它将自定义可视化（例如，matplotlib散点图）嵌入到TensorBoard中。 此仪表板总是显示每个标签的最新图像。
AUDIO官方英文翻译：
音频仪表板可以嵌入通过tf.audio_summary保存的音频的可播放音频小部件。 设置仪表板，使每行对应一个不同的标签，每列对应一个运行。 此仪表板将为每个标签嵌入最新的音频。
GRAPH是网络结构显示。
官方英文翻译：
图形浏览器可以显示TensorBoard图形，从而可以检查TensorFlow模型。 为了最好地利用图形可视化程序，您应该使用名称范围来对图形中的op进行分层分组，否则图形可能难以破译。 有关更多信息，包括示例，请参阅图形可视化程序教程。
HISTOGRAM是训练过程参数分布情况显示。
官方英文翻译：
直方图仪表板用于可视化Tensor的统计分布随时间变化。它可视化通过tf.histogram_summary记录的数据。现在，它的名字有点不正确，因为它不显示直方图;相反，它显示了一些关于分配的高级统计数据。图表上的每一行表示数据分布中的百分位数：例如，底线显示了最小值随时间变化的方式，中间的行显示了中位数的变化。从上到下，行具有以下含义：[最大，93％，84％，69％，50％，31％，16％，7％，最低]。
这些百分位数也可以视为正态分布的标准偏差边界：[最大值，μ+1.5σ，μ+σ，μ+0.5σ，μ，μ-0.5σ，μ-σ，μ-1.5σ，最小值]使得从内到外读取的着色区域分别具有宽度[σ，2σ，3σ]。
这种直方图可视化有点奇怪，不能有意义地表示多模态分布。我们正在研究一个真正的直方图替换。
官方英文介绍地址：https://github.com/tensorflow/tensorflow/tree/r0.9/tensorflow/tensorboard
注意，本文是在Windows下运行的。
首先我们先写一个Python代码，用来运行显示图形层级结构。
"""
Please note, this code is only for python 3+. If you are using python 2+, please modify the code accordingly.
"""
from __future__ import print_function
import tensorflow as tf
def add_layer(inputs, in_size, out_size, activation_function=None):
# add one more layer and return the output of this layer
with tf.name_scope('layer'):
with tf.name_scope('weights'):
Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')
with tf.name_scope('biases'):
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')
with tf.name_scope('Wx_plus_b'):
Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b, )
return outputs
# define placeholder for inputs to network
with tf.name_scope('inputs'):
xs = tf.placeholder(tf.float32, [None, 1], name='x_input')
ys = tf.placeholder(tf.float32, [None, 1], name='y_input')
# add hidden layer
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# add output layer
prediction = add_layer(l1, 10, 1, activation_function=None)
# the error between prediciton and real data
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
with tf.name_scope('train'):
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
sess = tf.Session()
# tf.train.SummaryWriter soon be deprecated, use following
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1: # tensorflow version < 0.12
writer = tf.train.SummaryWriter('C:/logs/', sess.graph)
else: # tensorflow version >= 0.12
writer = tf.summary.FileWriter("C:/logs/", sess.graph)
# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
init = tf.initialize_all_variables()
else:
init = tf.global_variables_initializer()
sess.run(init)
# direct to the local dir and run this in terminal:
# $ tensorboard --logdir=logs
然后CMD打开命令行终端输入：
tensorboard --logdir=C:/logs
一切正常的话，我们用chrome浏览器打开这个地址：
http://localhost:6006/我们的C盘logs下也有相应的日志文件。
版权所有，尊重版权。
微信公众号：
