文档章节

TensorBoard:可视化学习

片刻
 片刻
发布于 2017/06/10 23:56
字数 1611
阅读 60
收藏 0

原文链接 : https://www.tensorflow.org/get_started/summaries_and_tensorboard

译文链接 : http://www.apache.wiki/pages/viewpage.action?pageId=10029491

贡献者 : 片刻 ApacheCN Apache中文网

您使用TensorFlow的计算 - 像训练一个巨大的深层神经网络 - 可能是复杂和混乱的。为了更容易理解,调试和优化TensorFlow程序,我们提供了一套名为TensorBoard的可视化工具。您可以使用TensorBoard可视化您的TensorFlow图形,绘制关于图形执行的定量指标,并显示其他数据,如通过它的图像。当TensorBoard完全配置后,它看起来像这样:

本教程旨在让您开始使用简单的TensorBoard用法。还有其他资源可用!该TensorBoard README 对TensorBoard使用了大量的信息,包括提示和技巧,和调试信息。

<iframe width="412" height="232" src="https://www.youtube.com/embed/eBbEDRsCmv4?ecver=1" frameborder="0" allowfullscreen></iframe>

 

序列化数据

TensorBoard通过读取TensorFlow事件文件来操作,该文件包含在运行TensorFlow时可以生成的摘要数据。以下是TensorBoard中摘要数据的一般生命周期。

首先,创建要收集摘要数据的TensorFlow图,并确定要使用汇总操作注释哪些节点 。

例如,假设您正在训练用于识别MNIST数字的卷积神经网络。您想记录学习速度随时间变化的方式,以及目标函数的变化。通过将tf.summary.scalar操作附加到分别输出学习速率和丢失的节点来收集这些数据。然后,给每scalar_summary一个有意义的tag,喜欢'learning rate''loss function'

也许您也希望可视化特定层次的激活分布,或梯度或重量的分布。通过将tf.summary.histogram操作附加到渐变输出和分别保存权重的变量来收集此数据 。

有关可用的所有摘要操作的详细信息,请查看摘要操作的文档 。

TensorFlow中的操作在运行它们之前不执行任何操作,或者取决于其输出的操作。而我们刚刚创建的汇总节点是图形的外围设备:您当前运行的操作不依赖于它们。因此,为了生成摘要,我们需要运行所有这些汇总节点。手工管理它们将是乏味的,所以使用 tf.summary.merge_all 它们将它们组合成一个单一的操作,生成所有的摘要数据。

然后,您可以运行合并的摘要操作,这将Summary在给定步骤中生成一个序列化的protobuf对象,其中 包含所有摘要数据。最后,要将此摘要数据写入磁盘,请将摘要protobuf传递给 tf.summary.FileWriter

FileWriter在其构造需要LOGDIR -这LOGDIR是非常重要的,它是在所有的事件都将被写出的目录。此外,FileWriter可以选择Graph在其构造函数中。如果它接收到一个Graph对象,那么TensorBoard会将您的图形与张量形状信息一起显示。这将使您更好地了解流经图形的内容:请参阅 张量形状信息

现在您已经修改了图表,并且已经FileWriter准备好开始运行网络了!如果需要,您可以每一步运行合并摘要,并记录大量的培训数据。尽管如此,这可能比您需要更多的数据。相反,考虑在n步骤中运行合并的摘要。

下面的代码示例是 简单的MNIST教程的修改,其中我们添加了一些摘要操作,并且每十个步骤运行它们。如果你运行这个然后启动tensorboard --logdir=/tmp/mnist_logs,你将能够可视化的统计数据,比如在训练过程中权重或准确性如何变化。下面的代码是摘录; 全部来源在 这里

def variable_summaries(var):

  """Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""

  with tf.name_scope('summaries'):

    mean = tf.reduce_mean(var)

    tf.summary.scalar('mean', mean)

    with tf.name_scope('stddev'):

      stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))

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

    tf.summary.scalar('max', tf.reduce_max(var))

    tf.summary.scalar('min', tf.reduce_min(var))

    tf.summary.histogram('histogram', var)

 

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.

  """

  # Adding a name scope ensures logical grouping of the layers in the graph.

  with tf.name_scope(layer_name):

    # This Variable will hold the state of the weights for the layer

    with tf.name_scope('weights'):

      weights = weight_variable([input_dim, output_dim])

      variable_summaries(weights)

    with tf.name_scope('biases'):

      biases = bias_variable([output_dim])

      variable_summaries(biases)

    with tf.name_scope('Wx_plus_b'):

      preactivate = tf.matmul(input_tensor, weights) + biases

      tf.summary.histogram('pre_activations', preactivate)

    activations = act(preactivate, name='activation')

    tf.summary.histogram('activations', activations)

    return activations

 

hidden1 = nn_layer(x, 784500'layer1')

 

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)

 

# Do not apply softmax activation yet, see below.

= nn_layer(dropped, 50010'layer2', act=tf.identity)

 

with tf.name_scope('cross_entropy'):

  # The raw formulation of cross-entropy,

  #

  # tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(tf.softmax(y)),

  #                               reduction_indices=[1]))

  #

  # can be numerically unstable.

  #

  # So here we use tf.nn.softmax_cross_entropy_with_logits on the

  # raw outputs of the nn_layer above, and then average across

  # the batch.

  diff = tf.nn.softmax_cross_entropy_with_logits(targets=y_, logits=y)

  with tf.name_scope('total'):

    cross_entropy = tf.reduce_mean(diff)

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

 

with tf.name_scope('train'):

  train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(

      cross_entropy)

 

with tf.name_scope('accuracy'):

  with tf.name_scope('correct_prediction'):

    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

  with tf.name_scope('accuracy'):

    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

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

 

# Merge all the summaries and write them out to /tmp/mnist_logs (by default)

merged = tf.summary.merge_all()

train_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/train',

                                      sess.graph)

test_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/test')

tf.global_variables_initializer().run()

在我们初始化之后FileWriters,我们必须在FileWriters我们训练和测试模型时添加摘要 。

# Train the model, and also write summaries.

# Every 10th step, measure test-set accuracy, and write test summaries

# All other steps, run train_step on training data, & add training summaries

 

def feed_dict(train):

  """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""

  if train or FLAGS.fake_data:

    xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)

    = FLAGS.dropout

  else:

    xs, ys = mnist.test.images, mnist.test.labels

    = 1.0

  return {x: xs, y_: ys, keep_prob: k}

 

for in range(FLAGS.max_steps):

  if % 10 == 0:  # Record summaries and test-set 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:  # Record train set summaries, and train

    summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))

    train_writer.add_summary(summary, i)

现在,您可以使用TensorBoard来显示此数据。

 

启动TensorBoard

要运行TensorBoard,请使用以下命令(可选python -m tensorflow.tensorboard

tensorboard --logdir=path/to/log-directory

其中logdir指向其FileWriter序列化其数据的目录。如果此logdir目录包含从单独运行中包含序列化数据的子目录,则TensorBoard将可视化所有这些运行中的数据。一旦TensorBoard运行,浏览您的网页浏览器localhost:6006来查看TensorBoard。

查看TensorBoard时,您会看到右上角的导航标签。每个选项卡表示可以可视化的一组序列化数据。

有关如何使用图形选项卡可视化图形的深入信息,请参阅TensorBoard:图形可视化

有关TensorBoard的更多使用信息,请参阅TensorBoard README

© 著作权归作者所有

片刻
粉丝 107
博文 269
码字总数 306754
作品 0
海淀
高级程序员
私信 提问
TensorBoard可视化结构管理工具在Windows下的使用

遵循:BY-SA 署名-相同方式共享 4.0协议 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...

jay100500
2017/06/10
0
0
window下启动tensorboard

tensorboard是TensorFlow的一个可视化工具,能够监控TensorFlow运行过程中的计算图,各种指标随着时间的变化趋势以及训练中使用到的图像等信息。 先贴个总结:首先,必须在终端启动tensorboa...

Flying_sfeng
2017/04/10
0
0
关于TensorFlow中可视化包Tensorboard在浏览器中一直无法连接的问题

最近在学习卷积神经网络分类图像方面的东西,为了能够清晰看出损失函数随迭代次数增加的变化趋势,从而选择最优的函数,我选用了TensorFlow自带的可视化包Tensorboard来完成,在网上查找了T...

sunny_guang
2018/04/12
0
0
TensorBoard入门

前言 TensorFlow是以流动的张量为名的神经网络开发库,所以Google为了让人们更直观的了解流动的张量的含义,他们做了个TensorBoard让我们直观的看到我们写的框架是怎么个流动法的(纯属YY)。...

Jcme丶Ls
2017/01/13
0
0
TensorFlow学习笔记-TensorBoard启动

TensorFlow有一个可视化工具,可以可视化展示和分析执行过程。 如果是源码安装的,按如下方式启动: python tensorflow/tensorboard/tensorboard.py --logdir=path/to/log-directory 如果pip...

openthings
2015/12/29
14.4K
0

没有更多内容

加载失败,请刷新页面

加载更多

golang-字符串-地址分析

demo package mainimport "fmt"func main() {str := "map.baidu.com"fmt.Println(&str, str)str = str[0:5]fmt.Println(&str, str)str = "abc"fmt.Println(&s......

李琼涛
今天
4
0
Spring Boot WebFlux 增删改查完整实战 demo

03:WebFlux Web CRUD 实践 前言 上一篇基于功能性端点去创建一个简单服务,实现了 Hello 。这一篇用 Spring Boot WebFlux 的注解控制层技术创建一个 CRUD WebFlux 应用,让开发更方便。这里...

泥瓦匠BYSocket
今天
6
0
从0开始学FreeRTOS-(列表与列表项)-3

FreeRTOS列表&列表项的源码解读 第一次看列表与列表项的时候,感觉很像是链表,虽然我自己的链表也不太会,但是就是感觉很像。 在FreeRTOS中,列表与列表项使用得非常多,是FreeRTOS的一个数...

杰杰1号
今天
8
0
Java反射

Java 反射 反射是框架设计的灵魂(使用的前提条件:必须先得到代表的字节码的 Class,Class 类 用于表示.class 文件(字节码)) 一、反射的概述 定义:JAVA 反射机制是在运行状态中,对于任...

zzz1122334
今天
5
0
聊聊nacos的LocalConfigInfoProcessor

序 本文主要研究一下nacos的LocalConfigInfoProcessor LocalConfigInfoProcessor nacos-1.1.3/client/src/main/java/com/alibaba/nacos/client/config/impl/LocalConfigInfoProcessor.java p......

go4it
昨天
9
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部