Tensorflow的可視化工具Tensorboard的初步使用詳解

更新時間：2018年02月11日 10:19:53 作者：王小草--點(diǎn)絳唇

這篇文章主要介紹了Tensorflow的可視化工具Tensorboard的初步使用詳解，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

當(dāng)使用Tensorflow訓(xùn)練大量深層的神經(jīng)網(wǎng)絡(luò)時，我們希望去跟蹤神經(jīng)網(wǎng)絡(luò)的整個訓(xùn)練過程中的信息，比如迭代的過程中每一層參數(shù)是如何變化與分布的，比如每次循環(huán)參數(shù)更新后模型在測試集與訓(xùn)練集上的準(zhǔn)確率是如何的，比如損失值的變化情況，等等。如果能在訓(xùn)練的過程中將一些信息加以記錄并可視化得表現(xiàn)出來，是不是對我們探索模型有更深的幫助與理解呢？

Tensorflow官方推出了可視化工具Tensorboard，可以幫助我們實現(xiàn)以上功能，它可以將模型訓(xùn)練過程中的各種數(shù)據(jù)匯總起來存在自定義的路徑與日志文件中，然后在指定的web端可視化地展現(xiàn)這些信息。

1. Tensorboard介紹

1.1 Tensorboard的數(shù)據(jù)形式

Tensorboard可以記錄與展示以下數(shù)據(jù)形式：
（1）標(biāo)量Scalars
（2）圖片Images
（3）音頻Audio
（4）計算圖Graph
（5）數(shù)據(jù)分布Distribution
（6）直方圖Histograms
（7）嵌入向量Embeddings

1.2 Tensorboard的可視化過程

（1）首先肯定是先建立一個graph,你想從這個graph中獲取某些數(shù)據(jù)的信息

（2）確定要在graph中的哪些節(jié)點(diǎn)放置summary operations以記錄信息
使用tf.summary.scalar記錄標(biāo)量
使用tf.summary.histogram記錄數(shù)據(jù)的直方圖
使用tf.summary.distribution記錄數(shù)據(jù)的分布圖
使用tf.summary.image記錄圖像數(shù)據(jù)
….

（3）operations并不會去真的執(zhí)行計算，除非你告訴他們需要去run,或者它被其他的需要run的operation所依賴。而我們上一步創(chuàng)建的這些summary operations其實并不被其他節(jié)點(diǎn)依賴，因此，我們需要特地去運(yùn)行所有的summary節(jié)點(diǎn)。但是呢，一份程序下來可能有超多這樣的summary 節(jié)點(diǎn)，要手動一個一個去啟動自然是及其繁瑣的，因此我們可以使用tf.summary.merge_all去將所有summary節(jié)點(diǎn)合并成一個節(jié)點(diǎn)，只要運(yùn)行這個節(jié)點(diǎn)，就能產(chǎn)生所有我們之前設(shè)置的summary data。

（4）使用tf.summary.FileWriter將運(yùn)行后輸出的數(shù)據(jù)都保存到本地磁盤中

（5）運(yùn)行整個程序，并在命令行輸入運(yùn)行tensorboard的指令，之后打開web端可查看可視化的結(jié)果

2.Tensorboard使用案例

不出所料呢，我們還是使用最基礎(chǔ)的識別手寫字體的案例～

不過本案例也是先不去追求多美好的模型，只是建立一個簡單的神經(jīng)網(wǎng)絡(luò)，讓大家了解如何使用Tensorboard。

2.1 導(dǎo)入包，定義超參數(shù)，載入數(shù)據(jù)

（1）首先還是導(dǎo)入需要的包：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
import sys

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

（2）定義固定的超參數(shù),方便待使用時直接傳入。如果你問，這個超參數(shù)為啥要這樣設(shè)定，如何選擇最優(yōu)的超參數(shù)？這個問題此處先不討論，超參數(shù)的選擇在機(jī)器學(xué)習(xí)建模中最常用的方法就是“交叉驗證法”。而現(xiàn)在假設(shè)我們已經(jīng)獲得了最優(yōu)的超參數(shù)，設(shè)置學(xué)利率為0.001，dropout的保留節(jié)點(diǎn)比例為0.9，最大循環(huán)次數(shù)為1000.

另外，還要設(shè)置兩個路徑，第一個是數(shù)據(jù)下載下來存放的地方，一個是summary輸出保存的地方。

max_step = 1000 # 最大迭代次數(shù)
learning_rate = 0.001  # 學(xué)習(xí)率
dropout = 0.9  # dropout時隨機(jī)保留神經(jīng)元的比例

data_dir = ''  # 樣本數(shù)據(jù)存儲的路徑
log_dir = ''  # 輸出日志保存的路徑

（3）接著加載數(shù)據(jù),下載數(shù)據(jù)是直接調(diào)用了tensorflow提供的函數(shù)read_data_sets,輸入兩個參數(shù)，第一個是下載到數(shù)據(jù)存儲的路徑，第二個one_hot表示是否要將類別標(biāo)簽進(jìn)行獨(dú)熱編碼。它首先回去找制定目錄下有沒有這個數(shù)據(jù)文件，沒有的話才去下載，有的話就直接讀取。所以第一次執(zhí)行這個命令，速度會比較慢。

mnist = input_data.read_data_sets(data_dir,one_hot=True)

2.2 創(chuàng)建特征與標(biāo)簽的占位符，保存輸入的圖片數(shù)據(jù)到summary

（1）創(chuàng)建tensorflow的默認(rèn)會話：

sess = tf.InteractiveSession()

（2）創(chuàng)建輸入數(shù)據(jù)的占位符，分別創(chuàng)建特征數(shù)據(jù)x，標(biāo)簽數(shù)據(jù)y_

在tf.placeholder()函數(shù)中傳入了3個參數(shù)，第一個是定義數(shù)據(jù)類型為float32；第二個是數(shù)據(jù)的大小，特征數(shù)據(jù)是大小784的向量，標(biāo)簽數(shù)據(jù)是大小為10的向量，None表示不定死大小，到時候可以傳入任何數(shù)量的樣本；第3個參數(shù)是這個占位符的名稱。

with tf.name_scope('input'):
  x = tf.placeholder(tf.float32, [None, 784], name='x-input')
  y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')

（3）使用tf.summary.image保存圖像信息

特征數(shù)據(jù)其實就是圖像的像素數(shù)據(jù)拉升成一個1*784的向量，現(xiàn)在如果想在tensorboard上還原出輸入的特征數(shù)據(jù)對應(yīng)的圖片，就需要將拉升的向量轉(zhuǎn)變成28 * 28 * 1的原始像素了，于是可以用tf.reshape()直接重新調(diào)整特征數(shù)據(jù)的維度：

將輸入的數(shù)據(jù)轉(zhuǎn)換成[28 * 28 * 1]的shape，存儲成另一個tensor，命名為image_shaped_input。

為了能使圖片在tensorbord上展示出來，使用tf.summary.image將圖片數(shù)據(jù)匯總給tensorbord。

tf.summary.image（）中傳入的第一個參數(shù)是命名，第二個是圖片數(shù)據(jù)，第三個是最多展示的張數(shù)，此處為10張

with tf.name_scope('input_reshape'):
  image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
  tf.summary.image('input', image_shaped_input, 10)

2.3 創(chuàng)建初始化參數(shù)的方法，與參數(shù)信息匯總到summary的方法

（1）在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型中，每一層中都需要去初始化參數(shù)w,b,為了使代碼簡介美觀，最好將初始化參數(shù)的過程封裝成方法function。

創(chuàng)建初始化權(quán)重w的方法，生成大小等于傳入的shape參數(shù)，標(biāo)準(zhǔn)差為0.1,正態(tài)分布的隨機(jī)數(shù)，并且將它轉(zhuǎn)換成tensorflow中的variable返回。

def weight_variable(shape):
  """Create a weight variable with appropriate initialization."""
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)

創(chuàng)建初始換偏執(zhí)項b的方法，生成大小為傳入?yún)?shù)shape的常數(shù)0.1，并將其轉(zhuǎn)換成tensorflow的variable并返回

def bias_variable(shape):
  """Create a bias variable with appropriate initialization."""
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)

（2）我們知道，在訓(xùn)練的過程在參數(shù)是不斷地在改變和優(yōu)化的，我們往往想知道每次迭代后參數(shù)都做了哪些變化，可以將參數(shù)的信息展現(xiàn)在tenorbord上，因此我們專門寫一個方法來收錄每次的參數(shù)信息。

def variable_summaries(var):
  """Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""
  with tf.name_scope('summaries'):
   # 計算參數(shù)的均值，并使用tf.summary.scaler記錄
   mean = tf.reduce_mean(var)
   tf.summary.scalar('mean', mean)

   # 計算參數(shù)的標(biāo)準(zhǔn)差
   with tf.name_scope('stddev'):
    stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
   # 使用tf.summary.scaler記錄記錄下標(biāo)準(zhǔn)差，最大值，最小值
   tf.summary.scalar('stddev', stddev)
   tf.summary.scalar('max', tf.reduce_max(var))
   tf.summary.scalar('min', tf.reduce_min(var))
   # 用直方圖記錄參數(shù)的分布
   tf.summary.histogram('histogram', var)

2.4 構(gòu)建神經(jīng)網(wǎng)絡(luò)層

（1）創(chuàng)建第一層隱藏層
創(chuàng)建一個構(gòu)建隱藏層的方法,輸入的參數(shù)有：
input_tensor：特征數(shù)據(jù)
input_dim：輸入數(shù)據(jù)的維度大小
output_dim：輸出數(shù)據(jù)的維度大小(=隱層神經(jīng)元個數(shù)）
layer_name：命名空間
act=tf.nn.relu：激活函數(shù)（默認(rèn)是relu)

def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
  """Reusable code for making a simple neural net layer.
  It does a matrix multiply, bias add, and then uses relu to nonlinearize.
  It also sets up name scoping so that the resultant graph is easy to read,
  and adds a number of summary ops.
  """
  # 設(shè)置命名空間
  with tf.name_scope(layer_name):
   # 調(diào)用之前的方法初始化權(quán)重w，并且調(diào)用參數(shù)信息的記錄方法，記錄w的信息
   with tf.name_scope('weights'):
    weights = weight_variable([input_dim, output_dim])
    variable_summaries(weights)
   # 調(diào)用之前的方法初始化權(quán)重b，并且調(diào)用參數(shù)信息的記錄方法，記錄b的信息
   with tf.name_scope('biases'):
    biases = bias_variable([output_dim])
    variable_summaries(biases)
   # 執(zhí)行wx+b的線性計算，并且用直方圖記錄下來
   with tf.name_scope('linear_compute'):
    preactivate = tf.matmul(input_tensor, weights) + biases
    tf.summary.histogram('linear', preactivate)
   # 將線性輸出經(jīng)過激勵函數(shù)，并將輸出也用直方圖記錄下來
   activations = act(preactivate, name='activation')
   tf.summary.histogram('activations', activations)

   # 返回激勵層的最終輸出
   return activations

調(diào)用隱層創(chuàng)建函數(shù)創(chuàng)建一個隱藏層：輸入的維度是特征的維度784，神經(jīng)元個數(shù)是500，也就是輸出的維度。

hidden1 = nn_layer(x, 784, 500, 'layer1')

（2）創(chuàng)建一個dropout層，,隨機(jī)關(guān)閉掉hidden1的一些神經(jīng)元，并記錄keep_prob

with tf.name_scope('dropout'):
  keep_prob = tf.placeholder(tf.float32)
  tf.summary.scalar('dropout_keep_probability', keep_prob)
  dropped = tf.nn.dropout(hidden1, keep_prob)

（3）創(chuàng)建一個輸出層，輸入的維度是上一層的輸出:500,輸出的維度是分類的類別種類：10，激活函數(shù)設(shè)置為全等映射identity.（暫且先別使用softmax,會放在之后的損失函數(shù)中一起計算）

y = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)

2.5 創(chuàng)建損失函數(shù)

使用tf.nn.softmax_cross_entropy_with_logits來計算softmax并計算交叉熵?fù)p失,并且求均值作為最終的損失值。

with tf.name_scope('loss'):
  # 計算交叉熵?fù)p失（每個樣本都會有一個損失）
  diff = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)
  with tf.name_scope('total'):
   # 計算所有樣本交叉熵?fù)p失的均值
   cross_entropy = tf.reduce_mean(diff)

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

2.6 訓(xùn)練，并計算準(zhǔn)確率

（1）使用AdamOptimizer優(yōu)化器訓(xùn)練模型，最小化交叉熵?fù)p失

with tf.name_scope('train'):
  train_step = tf.train.AdamOptimizer(learning_rate).minimize(
    cross_entropy)

（2）計算準(zhǔn)確率,并用tf.summary.scalar記錄準(zhǔn)確率

with tf.name_scope('accuracy'):
  with tf.name_scope('correct_prediction'):
   # 分別將預(yù)測和真實的標(biāo)簽中取出最大值的索引，弱相同則返回1(true),不同則返回0(false)
   correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
  with tf.name_scope('accuracy'):
   # 求均值即為準(zhǔn)確率
   accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.summary.scalar('accuracy', accuracy)

2.7 合并summary operation, 運(yùn)行初始化變量

將所有的summaries合并，并且將它們寫到之前定義的log_dir路徑

# summaries合并
merged = tf.summary.merge_all()
# 寫到指定的磁盤路徑中
train_writer = tf.summary.FileWriter(log_dir + '/train', sess.graph)
test_writer = tf.summary.FileWriter(log_dir + '/test')

# 運(yùn)行初始化所有變量
tf.global_variables_initializer().run()

2.8 準(zhǔn)備訓(xùn)練與測試的兩個數(shù)據(jù)，循環(huán)執(zhí)行整個graph進(jìn)行訓(xùn)練與評估

（1）現(xiàn)在我們要獲取之后要喂人的數(shù)據(jù).
如果是train==true，就從mnist.train中獲取一個batch樣本，并且設(shè)置dropout值；
如果是不是train==false,則獲取minist.test的測試數(shù)據(jù)，并且設(shè)置keep_prob為1，即保留所有神經(jīng)元開啟。

def feed_dict(train):
  """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
  if train:
   xs, ys = mnist.train.next_batch(100)
   k = dropout
  else:
   xs, ys = mnist.test.images, mnist.test.labels
   k = 1.0
  return {x: xs, y_: ys, keep_prob: k}

（2）開始訓(xùn)練模型。
每隔10步，就進(jìn)行一次merge, 并打印一次測試數(shù)據(jù)集的準(zhǔn)確率，然后將測試數(shù)據(jù)集的各種summary信息寫進(jìn)日志中。
每隔100步，記錄原信息
其他每一步時都記錄下訓(xùn)練集的summary信息并寫到日志中。

for i in range(max_steps):
  if i % 10 == 0: # 記錄測試集的summary與accuracy
   summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
   test_writer.add_summary(summary, i)
   print('Accuracy at step %s: %s' % (i, acc))
  else: # 記錄訓(xùn)練集的summary
   if i % 100 == 99: # Record execution stats
    run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
    run_metadata = tf.RunMetadata()
    summary, _ = sess.run([merged, train_step],
               feed_dict=feed_dict(True),
               options=run_options,
               run_metadata=run_metadata)
    train_writer.add_run_metadata(run_metadata, 'step%03d' % i)
    train_writer.add_summary(summary, i)
    print('Adding run metadata for', i)
   else: # Record a summary
    summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
    train_writer.add_summary(summary, i)
 train_writer.close()
 test_writer.close()

2.9 執(zhí)行程序，tensorboard生成可視化

（1）運(yùn)行整個程序，在程序中定義的summary node就會將要記錄的信息全部保存在指定的logdir路徑中了，訓(xùn)練的記錄會存一份文件，測試的記錄會存一份文件。

（2）進(jìn)入linux命令行，運(yùn)行以下代碼，等號后面加上summary日志保存的路徑（在程序第一步中就事先自定義了）

tensorboard --logdir=

執(zhí)行命令之后會出現(xiàn)一條信息，上面有網(wǎng)址，將網(wǎng)址在瀏覽器中打開就可以看到我們定義的可視化信息了。：

Starting TensorBoard 41 on port 6006
(You can navigate to http://127.0.1.1:6006)

將http://127.0.1.1:6006在瀏覽器中打開，成功的話如下：

于是我們可以從這個web端看到所有程序中定義的可視化信息了。

2.10 Tensorboard Web端解釋

看到最上面橙色一欄的菜單，分別有7個欄目，都一一對應(yīng)著我們程序中定義信息的類型。

（1）SCALARS

展示的是標(biāo)量的信息，我程序中用tf.summary.scalars()定義的信息都會在這個窗口。

回顧本文程序中定義的標(biāo)量有：準(zhǔn)確率accuracy,dropout的保留率，隱藏層中的參數(shù)信息，已經(jīng)交叉熵?fù)p失。這些都在SCLARS窗口下顯示出來了。

點(diǎn)開accuracy,紅線表示test集的結(jié)果，藍(lán)線表示train集的結(jié)果，可以看到隨著循環(huán)次數(shù)的增加，兩者的準(zhǔn)確度也在通趨勢增加，值得注意的是，在0到100次的循環(huán)中準(zhǔn)確率快速激增，100次之后保持微弱地上升趨勢，直達(dá)1000次時會到達(dá)0.967左右

點(diǎn)開dropout，紅線表示的測試集上的保留率始終是1，藍(lán)線始終是0.9

點(diǎn)開layer1，查看第一個隱藏層的參數(shù)信息。

以上，第一排是偏執(zhí)項b的信息，隨著迭代的加深，最大值越來越大，最小值越來越小，與此同時，也伴隨著方差越來越大，這樣的情況是我們愿意看到的，神經(jīng)元之間的參數(shù)差異越來越大。因為理想的情況下每個神經(jīng)元都應(yīng)該去關(guān)注不同的特征，所以他們的參數(shù)也應(yīng)有所不同。

第二排是權(quán)值w的信息，同理，最大值，最小值，標(biāo)準(zhǔn)差也都有與b相同的趨勢，神經(jīng)元之間的差異越來越明顯。w的均值初始化的時候是0，隨著迭代其絕對值也越來越大。

點(diǎn)開layer2