tensorBoard可视化工具

tensorBoard 可视化工具

• 数据序列化
  Tensorflow通过读取Tensorflow的时间文件来运行.
  1.创建你想汇总数据的 TensorFlow 图&＃xff0c;然后再选择你想在哪个节点进行汇总(summary)操作。通过向节点附加scalar_summary操作来分别输出学习速度和期望误差

  tf.scalar_summary(tags, values, collections&＃61;None, name&＃61;None)tf.image_summary(tag, tensor, max_images&＃61;3, collections&＃61;None, name&＃61;None)tf.audio_summary(tag, tensor, sample_rate, max_outputs&＃61;3, collections&＃61;None, name&＃61;None)tf.histogram_summary(tag, values, collections&＃61;None, name&＃61;None)


tags 标签 可以给每个scalary_summary 分配一个有意义的 标签 &＃xff0c;比如 ‘learning rate’ 和 ‘loss function’
value/tensor :相对应的需要汇总的张量(一定shape的张量)
collection
2.使用tf.merge_all_summaries来将所有可视化操作节点合并为一个操作。

tf.merge_summary(inputs, collections&＃61;None, name&＃61;None)tf.merge_all_summaries(key&＃61;&＃39;summaries&＃39;)


key:用于收集汇总数据 Defaults to GraphKeys.SUMMARIES.
3.执行合并命令&＃xff0c;它会依据特点步骤将所有数据生成一个序列化的 Summary protobuf对象。最后&＃xff0c;为了将汇总数据写入磁盘&＃xff0c;需要将汇总的protobuf对象传递给tf.train.Summarywriter。
SummaryWriter 的构造函数中包含了参数 logdir。这个 logdir 非常重要&＃xff0c;所有事件都会写到它所指的目录下。此外&＃xff0c; SummaryWriter 中还包含了一个可选择的参数 GraphDef 。如果输入了该参数&＃xff0c;那么 TensorBoard
也会显示你的图像。

#定义合并节点merged_summary_op &＃61; tf. merge_all_summaries()summary_writer &＃61; tf. train. SummaryWriter(&＃39;/tmp/mnist_logs&＃39; , sess. graph)total_step &＃61; 0while training:total_step &＃43;&＃61; 1session. run(training_op)#100步汇总一次if total_step % 100 &＃61;&＃61; 0:summary_str &＃61; session. run(merged_summary_op)summary_writer. add_summary(summary_str, total_step)


* 启动TensorBoard　

python tensorflow/tensorboard/tensorboard.py --logdir&＃61;path/to/log-directory#logdir指向SummaryWriter序列化数据的存储路径


一旦 TensorBoard 开始运行&＃xff0c;你可以通过在浏览器中输入 localhost:6006 来查看 TensorBoard。
如果你已经通过pip安装了 TensorBoard&＃xff0c;你可以通过执行更为简单地命令来访问 TensorBoard
tensorboard –logdir&＃61;/path/to/log-directory

为了显示自己的图表&＃xff0c;需将 TensorBoard 指向此工作的日志目录并运行&＃xff0c;

• 名称域
  为变量名划定范围.并且可视化把该信息用于在图表中的节点上定义一个层级。

  with tf. name_scope(&＃39;hidden&＃39; ) as scope:a &＃61; tf. constant(5, name&＃61;&＃39;alpha&＃39; )W &＃61; tf. Variable(tf. random_uniform([1, 2] , -1.0, 1.0) , name&＃61;&＃39;weights&＃39; )b &＃61; tf. Variable(tf. zeros([1] ) , name&＃61;&＃39;biases&＃39; )结果是得到了下面三个操作名:• hidden/alpha• hidden/weights• hidden/biases


  TensorFlow 图表有两种连接关系&＃xff1a;数据依赖和控制依赖。数据依赖显示两个操作之间的tensor流程&＃xff0c;用实心箭头指示&＃xff0c;而控制依赖用点线表示。