TensorFlow – 使用TensorBoard可视化数据

网络结构可视化

　　我们首先看一个最简单的只有网络而没有训练过程的demo(矩阵相乘)：

#encoding=utf-8
import tensorflow as tf

"""
    如果使用tf.name_scope指定了命名范围，该命名范围会在可视化图形中合并显示
"""
with tf.name_scope('graph') as scope:
    matrix1 = tf.constant([[3., 3.]], name='m1')  # 1×2的矩阵
    matrix2 = tf.constant([[2.], [2.]], name='m2')  # 2×1的矩阵
    product = tf.matmul(matrix1, matrix2, name='matmul')  # 矩阵相乘

with tf.Session() as sess:
    writer = tf.summary.FileWriter("logs/", sess.graph)
    """
    或者写成这样的形式：
    writer = tf.summary.FileWriter('logs/')
    writer.add_graph(sess.graph)
    """
    sess.run(tf.global_variables_initializer())

#encoding=utf-8

import tensorflow as tf

"""

如果使用tf.name_scope指定了命名范围，该命名范围会在可视化图形中合并显示

"""

with tf.name_scope('graph') as scope:

matrix1 = tf.constant([[3., 3.]], name='m1') # 1×2的矩阵

matrix2 = tf.constant([[2.], [2.]], name='m2') # 2×1的矩阵

product = tf.matmul(matrix1, matrix2, name='matmul') # 矩阵相乘

with tf.Session() as sess:

writer = tf.summary.FileWriter("logs/", sess.graph)

"""

或者写成这样的形式：

writer = tf.summary.FileWriter('logs/')

writer.add_graph(sess.graph)

"""

sess.run(tf.global_variables_initializer())

　　运行项目，会在项目文件夹里生成一个logs目录，并在logs目录下保存生成的数据。
　　

　　切换到项目路径下，在命令行运行

tensorboard --logdir=logs

1 2	tensorboard --logdir=logs

　　然后打开浏览器，访问localhost:6006(与执行完tensorboard命令后回显的url一致)，就可以看到tensorboard生成的可视化图形了。
　　

训练过程可视化

　　上面的操作只能将网络结构可视化，下面介绍一个更复杂一点的例子：我们训练一个线性回归模型 y=kx+b 的参数k和b，并将训练过程可视化。
　　tensorboard支持以下的几种统计图：

tf.summary.scalar(name, tensor)
　折线图，其中tensor参数只能是单个的数

tf.summary.histogram(name, values)
　直方图，其中values可以是多个数

tf.summary.image(name, tensor)
　图像，其中tensor是一副图片

　　代码如下：

# encoding=utf-8
import tensorflow as tf
import numpy as np

x = np.random.rand(100).astype(np.float32)  # 随机的x
y_ = 3 * x + 1  # 真实标签

print(x)

k = tf.Variable(np.random.rand())  # 用随机数作为k的初始值
tf.summary.scalar('k', k)
"""
或者使用 tf.summary.histogram('k', k)
"""

b = tf.Variable(0.)  # b的初始值为0.0(float32类型)
tf.summary.scalar('b', b)
"""
或者使用 tf.summary.histogram('b', b)
"""

y = k * x + b  # 网络的输出值

loss = tf.reduce_mean(tf.square(y - y_))
tf.summary.scalar('MSE_loss', loss)

optimizer = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  # 为了看清学习的过程，将学习率设小一点(0.1)

with tf.Session() as sess:
    print(tf.shape(k))
    # 合并所有的summary
    merged = tf.summary.merge_all()

    # 将summary写入logs文件夹
    writer = tf.summary.FileWriter("logs/", sess.graph)
    sess.run(tf.global_variables_initializer())

    # 训练300个steps
    for step in range(300):
        sess.run(optimizer)
        summary = sess.run(merged)
        writer.add_summary(summary, step)

# encoding=utf-8

import tensorflow as tf

import numpy as np

x = np.random.rand(100).astype(np.float32) # 随机的x

y_ = 3 * x + 1 # 真实标签

print(x)

k = tf.Variable(np.random.rand()) # 用随机数作为k的初始值

tf.summary.scalar('k', k)

"""

或者使用 tf.summary.histogram('k', k)

"""

b = tf.Variable(0.) # b的初始值为0.0(float32类型)

tf.summary.scalar('b', b)

"""

或者使用 tf.summary.histogram('b', b)

"""

y = k * x + b # 网络的输出值

loss = tf.reduce_mean(tf.square(y - y_))

tf.summary.scalar('MSE_loss', loss)

optimizer = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 为了看清学习的过程，将学习率设小一点(0.1)

with tf.Session() as sess:

print(tf.shape(k))

# 合并所有的summary

merged = tf.summary.merge_all()

# 将summary写入logs文件夹

writer = tf.summary.FileWriter("logs/", sess.graph)

sess.run(tf.global_variables_initializer())

# 训练300个steps

for step in range(300):

sess.run(optimizer)

summary = sess.run(merged)

writer.add_summary(summary, step)

　　同样地，在命令行运行

tensorboard --logdir=logs

1 2	tensorboard --logdir=logs

　　显示的统计图结果为：
　　

　　从图中可以看出，随着样本不断的训练，k逐渐接近3，而b逐渐接近1，最终能够较好地拟合线性函数y=3x+1。