tensorflow笔记（三）之 tensorboard的使用

tensorflow笔记（三）之 tensorboard的使用

版权声明：本文为博主原创文章，转载请指明转载地址

http://www.cnblogs.com/fydeblog/p/7429344.html

前言

这篇博客将介绍tensorflow当中一个非常有用的可视化工具tensorboard的使用，它将对我们分析训练效果，理解训练框架和优化算法有很大的帮助。

还记得我的第一篇tensorflow博客上的的例子吗？这篇博客会以第一篇tensorflow博客的tensorboard图为例进行展开。

我会把这篇博客的相关代码（代码也会贴在博客上，可以直接copy生成py文件用）和notebook放在文后的百度云链接上，欢迎下载！

1. 实践1--矩阵相乘

相应的代码

import tensorflow as tf

with tf.name_scope('graph') as scope:
     matrix1 = tf.constant([[3., 3.]],name ='matrix1')  #1 row by 2 column
     matrix2 = tf.constant([[2.],[2.]],name ='matrix2') # 2 row by 1 column
     product = tf.matmul(matrix1, matrix2,name='product')
  
sess = tf.Session()

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

init = tf.global_variables_initializer()

sess.run(init)

这里相对于第一篇tensorflow多了一点东西，tf.name_scope函数是作用域名，上述代码斯即在graph作用域op下，又有三个op（分别是matrix1，matrix2，product),用tf函数内部的name参数命名，这样会在tensorboard中显示，具体图像还请看下面。

很重要：运行上面的代码，查询当前目录，就可以找到一个新生成的文件，已命名为logs，我们需在终端上运行tensorboard，生成本地链接，具体看我截图，当然你也可以将上面的代码直接生成一个py文档在终端运行，也会在终端当前目录生成一个logs文件，然后运行tensorboard --logdir logs指令，就可以生成一个链接，复制那个链接，在google浏览器（我试过火狐也行）粘贴显示，对于tensorboard 中显示的网址打不开的朋友们, 请使用 http://localhost:6006 （如果这个没有成功，我之前没有安装tensorboard，也出现链接，但那个链接点开什么都没有，所以还有一种可能就是你没有安装tensorboard，使用pip install tensorboard安装tensorboard，python3用pip3 install tensorboard）

具体运行过程如下（中间的警告请忽略，我把上面的代码命名为1.py运行的）

可以看到最后一行出现了链接，复制那个链接，推荐用google浏览器打开（火狐我试过也行），也可以直接打开链接http://localhost:6006，这样更方便！

如果出现下图，则证明打开成功

2. 实践2---线性拟合（一）

上面那一个是小试牛刀，比较简单，没有任何训练过程，下面将第一篇tensorflow笔记中的第二个例子来画出它的流动图（哦，对了，之所有说是流动图，这是由于tensorflow的名字就是张量在图形中流动的意思）

代码如下：（命名文件2.py）

import tensorflow as tf
import numpy as np

## prepare the original data
with tf.name_scope('data'):
     x_data = np.random.rand(100).astype(np.float32)
     y_data = 0.3*x_data+0.1
##creat parameters
with tf.name_scope('parameters'):
     weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
     bias = tf.Variable(tf.zeros([1]))
##get y_prediction
with tf.name_scope('y_prediction'):
     y_prediction = weight*x_data+bias
##compute the loss
with tf.name_scope('loss'):
     loss = tf.reduce_mean(tf.square(y_data-y_prediction))
##creat optimizer
optimizer = tf.train.GradientDescentOptimizer(0.5)
#creat train ,minimize the loss 
with tf.name_scope('train'):
     train = optimizer.minimize(loss)
#creat init
with tf.name_scope('init'): 
     init = tf.global_variables_initializer()
##creat a Session 
sess = tf.Session()
##initialize
writer = tf.summary.FileWriter("logs/", sess.graph)
sess.run(init)
## Loop
for step  in  range(101):
    sess.run(train)
    if step %10==0 :
        print step ,'weight:',sess.run(weight),'bias:',sess.run(bias)

运行这个程序会打印一些东西，看过第一篇tensorflow笔记的人应该知道

具体输出如下：

具体的运行过程如下图，跟第一个差不多

打开链接后，会出现下图

这个就是上面代码的流动图，先初始化参数，算出预测，计算损失，然后训练，更新相应的参数。

当然这个图还可以进行展开，里面有更详细的流动(截图无法全面，还请自己运行出看看哦)

Parameters部分

y_prediction部分和init部分

loss部分

还有最后的train部分

具体东西还请自己展开看看，不难理解

2. 实践2---线性拟合（二）

我们在对上面的代码进行再修改修改，试试tensorboard的其他功能，例如scalars，distributions，histograms,它们对我们分析学习算法的性能有很大帮助。

代码如下：（命名文件3.py）

import tensorflow as tf
import numpy as np

## prepare the original data
with tf.name_scope('data'):
     x_data = np.random.rand(100).astype(np.float32)
     y_data = 0.3*x_data+0.1
##creat parameters
with tf.name_scope('parameters'):
     with tf.name_scope('weights'):
            weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
           tf.summary.histogram('weight',weight)
     with tf.name_scope('biases'):
           bias = tf.Variable(tf.zeros([1]))
           tf.summary.histogram('bias',bias)
##get y_prediction
with tf.name_scope('y_prediction'):
     y_prediction = weight*x_data+bias
##compute the loss
with tf.name_scope('loss'):
     loss = tf.reduce_mean(tf.square(y_data-y_prediction))
     tf.summary.scalar('loss',loss)
##creat optimizer
optimizer = tf.train.GradientDescentOptimizer(0.5)
#creat train ,minimize the loss 
with tf.name_scope('train'):
     train = optimizer.minimize(loss)
#creat init
with tf.name_scope('init'): 
     init = tf.global_variables_initializer()
##creat a Session 
sess = tf.Session()
#merged
merged = tf.summary.merge_all()
##initialize
writer = tf.summary.FileWriter("logs/", sess.graph)
sess.run(init)
## Loop
for step  in  range(101):
    sess.run(train)
    rs=sess.run(merged)
    writer.add_summary(rs, step)

闲麻烦，我把打印的去掉了，这里多了几个函数，tf.histogram（对应tensorboard中的scalar）和tf.scalar函数（对应tensorboard中的distribution和histogram）是制作变化图表的，两者差不多，使用方式可以参考上面代码，一般是第一项字符命名，第二项就是要记录的变量了，最后用tf.summary.merge_all对所有训练图进行合并打包，最后必须用sess.run一下打包的图，并添加相应的记录。

 运行过程与上面两个一样

下面来看看tensorboard中的训练图吧

scalar中的loss训练图

distribution中的weight和bias的训练图

histogram中的weight和bias的训练图

我们可以根据训练图，对学习情况进行评估，比如我们看损失训练图，可以看到现在是一条慢慢减小的曲线，最后的值趋近趋近于0（这里趋近于0是由于我选的模型太容易训练了，误差可以逼近0，同时又能很好的表征系统的模型，在现实情况，往往都有误差，趋近于0反而是过拟合），这符合本意，就是要最小化loss，如果loss的曲线最后没有平滑趋近一个数，则说明训练的力度还不够，还有加大次数，如果loss还很大，说明学习算法不太理想，需改变当前的算法，去实现更小的loss，另外两幅图与loss类似，最后都是要趋近一个数的，没有趋近和上下浮动都是有问题的。

结尾

tensorboard的博客结束了，我写的只是基础部分，更多东西还请看官方的文档和教程，希望这篇博客能对你学习tensorboard有帮助！

notebook链接: https://pan.baidu.com/s/1o8lzN1g 密码: mbv8