文档章节

学习笔记TF039:TensorBoard

利炳根
 利炳根
发布于 2017/08/12 11:11
字数 1928
阅读 4
收藏 1
点赞 0
评论 0

首先向大家和《TensorFlow实战》的作者说句不好意思。我现在看的书是《TensorFlow实战》。但从TF024开始,我在学习笔记的参考资料里一直写的是《TensorFlow实践》,我自己粗心搞错了,希望不至于对大家造成太多误导。

TensorBoard,TensorFlow官方可视化工具。展示模型训练过程各种汇总数据。标量(Scalars)、图片(Images)、音频(audio)、计算图(Graphs)、数据分布(Distributions)、直方图(Histograms)、嵌入向量(Embeddings)。TensorBoard展示数据,执行TensorFlow计算图过程,各种类型数据汇总并记录到日志文件。TensorBoard读取日志文件,解析数据,生成数据可视化Web页,浏览器观察各种汇总数据。

载入TesnsorFlow,设置训练最大步数1000,学习速率0.001,dropout保留比率0.9。设置MNIST数据下载地址data_dir、汇总数据日志存放路径log_dir。日志路径log_dir存所有汇总数据。

input_data.read_data_sets下载MNIST数据,创建TensorFlow默认Session。

with tf.name_scope限定命名空间。定义输入x、y placeholder。输入一维数据变形28x28图片储存到tensor,tf.summary.image汇总图片数据TensorBoard展示。

定义神经网络模型参数初始化方法,权重用truncated_normal初始化,偏置赋值0.1。

定义Variable变量数据汇总函数,计算Variable mean、stddev、max、min,tf.summary.scalar记录、汇总。tf.summary.histogram记录变量var直方图数据。

设计MLP多层神经网络训练数据,每一层汇总模型参数数据。定义创建一层神经网络数据汇总函数nn_layer。输入参数,输入数据input_tensor、输入维度input_dim、输出维度output_dim、层名称layer_name。激活函数act用ReLU。初始化神经网络权重、偏置,用variable_summaries汇总variable数据。输入,矩阵乘法,加偏置,未激活结果用tf.summary.histogram统计直方图。用激活函数后,tf.summary.histogram再统计一次。

nn_layer创建一层神经网络,输入维度图片尺寸28x28=784,输出维度隐藏节点数500。创建Dropout层,用tf.summary.scalar记录keep_prob。用nn_layer定义神经网络输出层,输入维度为上层隐含节点数500,输出维度类别数10,激活涵数全等映射identity。

tf.nn.softmax_cross_entropy_with_logits()对前面输出层结果Softmax处理,计算交叉熵损失cross_entropy。计算平均损失,tf.summary.scalar统计汇总。

Adma优化器优化损失。统计预测正确样本数,计算正确率accury, tf.summary.scalar统计汇总accuracy。

tf.summary.merger_all()获取所有汇总操作。定义两个tf.summary.FileWriter(文件记录器)在不同子目录,分别存放训练和测试日志数据。Session计算图sess.graph加入训练过程记录器,TensorBoard GRAPHS窗口展示整个计算图可视化效果。tf.global_variables_initializer().run()初始化全部变量。

定义feed_dict损失函数。先判断训练标记,True,从mnist.train获取一个batch样本,设置dropout值;False,获取测试数据,设置keep_prob 1,没有dropout效果。

实际执行具体训练、测试、日志记录操作。tf.train.Saver()创建模型保存器。进入训练循环,每隔10步执行merged(数据汇总)、accuracy(求测试集预测准确率)操作,test_writer.add_sumamry将汇总结果summary和循环步数i写入日志文件。每隔100步,tf.RunOptions定义TensorFlow运行选项,设置trace_lever FULL_TRACE。tf.RunMetadata()定义TensorFlow运行元信息,记录训练运算时间和内存占用等信息。执行merged数据汇总操作,train_step训练操作,汇总结果summary、训练元信息run_metadata添加到train_writer。执行merged、train_step操作,添加summary到train_writer。所有训练全部结束,关闭train_writer、test_writer。

切换Linux命令行,执行TensorBoard程序,--logdir指定TensorFlow日志路径,TensorBoard自动生成所有汇总数据可视化结果。 tensorboard --logdir=/tmp/tensorflow/mnist/logs/mnist_with_summaries 复制网址到浏览器。

打开标量SCALARS窗口,打开accuracy图表。调整Smoothing参数,控制曲线平滑处理,数值越小越接近实际值,波动大;数值越大曲线越平缓。图表下方按钮放大图片,右边按钮调整坐标轴范围。

切换图像IMAGES窗口,可以看到所有tf.summary.image()汇总数据。

计算图GRAPHS窗口,整个TensorFlow计算图结构。网络forward inference流程,backward训练更新参数流程。实线代表数据依赖关系,虚线代表控制条件依赖关系。节点窗口,看属性、输入、输出及tensor尺寸。

"+"按钮,展示node内部细节。所有同一命名空间节点被折叠一起。右键单击节点选择删除。

切换配色风络,基于结构,同结构节点同颜色;基于运算硬件,同运算硬件节点同颜色。

Session runs,选择run_metadata训练元信息。

切换DISTRIBUTIONS窗口,看各个神经网络层输出分布,激活函数前后结果。看看有没有被屏蔽节点(dead neurons)。转为直方图。

EMBEDDINGS窗口,降维嵌入向量可视化效果。tf.save.Saver保存整个模型,TensorBoard自动对模型所有二维Variable可视化(只有Variable可以被保存,Tensor不行)。选择T-SNE或PCA算法对数据列(特征)降维,在3D、2D坐标可视化展示。对Word2Vec计算或Language Model非常有用。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
max_steps=1000
learning_rate=0.001
dropout=0.9
data_dir='/tmp/tensorflow/mnist/input_data'
log_dir='/tmp/tensorflow/mnist/logs/mnist_with_summaries'
  # Import data
mnist = input_data.read_data_sets(data_dir,one_hot=True)
sess = tf.InteractiveSession()
  # Create a multilayer model.
  # Input placeholders
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')
with tf.name_scope('input_reshape'):
  image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
  tf.summary.image('input', image_shaped_input, 10)
  # We can't initialize these variables to 0 - the network will get stuck.
def weight_variable(shape):
  """Create a weight variable with appropriate initialization."""
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)
def bias_variable(shape):
  """Create a bias variable with appropriate initialization."""
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)
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, 784, 500, '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.
y = nn_layer(dropped, 500, 10, '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(logits=y, labels=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(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(log_dir + '/train', sess.graph)
test_writer = tf.summary.FileWriter(log_dir + '/test')
tf.global_variables_initializer().run()
  # 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:
    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}

saver = tf.train.Saver()  
for i in range(max_steps):
  if i % 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
    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)
      saver.save(sess, log_dir+"/model.ckpt", 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()

参考资料: 《TensorFlow实战》

欢迎付费咨询(150元每小时),我的微信:qingxingfengzi

© 著作权归作者所有

共有 人打赏支持
利炳根
粉丝 11
博文 60
码字总数 136346
作品 0
深圳
实践随笔之初识Tensorflow

TensorFlow是Google推出的深度学习框架,相信谷歌出品,必属精品。养成良好的写笔记习惯,好记性不如烂笔头(* ̄(oo) ̄) 安装&入门教程 网上一堆安装和入门教程,以下两个链接都是比较靠谱的。...

oncast ⋅ 2017/09/08 ⋅ 0

TensorFlow学习笔记(7):TensorBoard——Tensor与Graph可视化

前言 本文基于TensorFlow官网How-Tos的Visualizing Learning和Graph Visualization写成。 TensorBoard是TensorFlow自带的一个可视化工具。本文在学习笔记(4)的基础上修改少量代码,以探索T...

丹追兵 ⋅ 2017/02/09 ⋅ 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 ⋅ 0

机器学习 人工智能 博文链接汇总

115 [入门问题] [TensorFlow] [深度学习] [好玩儿的算法应用实例] [聊天机器人] [神经网络] [机器学习] [机器学习算法应用实例] [自然语言处理] [数据科学] [Python] [Java] [机器学习--初...

aliceyangxi1987 ⋅ 2017/05/13 ⋅ 0

TensorFlow学习笔记(6):TensorBoard之Embeddings

前言 本文基于TensorFlow官网的How-Tos写成。 TensorBoard是TensorFlow自带的一个可视化工具,Embeddings是其中的一个功能,用于在二维或三维空间对高维数据进行探索。 An embedding is a ma...

丹追兵 ⋅ 2017/02/08 ⋅ 0

第一讲:TensorFlow概览

人生苦短,我用Python 文:郑元春 从TF的Github的首页上转的图 之前在搜索TF的各种学习资料的时候,搜索的大部分结果都是直接开始上代码。虽然跟着注释能够看懂一次,但是真正要自己开始动手...

北静王 ⋅ 2017/07/13 ⋅ 0

序言:从TensorFlow1.0.0说起

从TF的Github的首页上转的图 上面的Icon是TensorFlow的默认图标,是从Github转的图,看着有点前几年的爆款游戏《纪念碑谷》的意味。图标言简意赅,简洁中透出满满的艺术感。 此系列是学习Ten...

北静王 ⋅ 2017/02/20 ⋅ 0

CNTK 2.2 发布,微软深度学习工具包

CNTK 2.2 已发布,此版本添加了一些新特性支持和性能改进,并对文档进行了更新。 CNTK 是微软深度学习工具包,最早由微软一些想要更快更高效地做自己的研究的计算机科学家开发的。它很快就超...

王练 ⋅ 2017/09/19 ⋅ 1

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

Tensorboard显示问题

学习“莫烦”TensorFlow视频教程的时候执行 write = tf.train.SummaryWriter("/home/lucas/Downloads",sess.graph) Tensorboard的graph下面无显示。 查询到网易云课堂上有人问同样的问题,建...

espanol ⋅ 2017/08/10 ⋅ 0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

Sqoop

1.Sqoop: 《=》 SQL to Hadoop 背景 1)场景:数据在RDBMS中,我们如何使用Hive或者Hadoop来进行数据分析呢? 1) RDBMS ==> Hadoop(广义) 2) Hadoop ==> RDBMS 2)原来可以通过MapReduce I...

GordonNemo ⋅ 50分钟前 ⋅ 0

全量构建和增量构建的区别

1.全量构建每次更新时都需要更新整个数据集,增量构建只对需要更新的时间范围进行更新,所以计算量会较小。 2.全量构建查询时不需要合并不同Segment,增量构建查询时需要合并不同Segment的结...

无精疯 ⋅ 今天 ⋅ 0

如何将S/4HANA系统存储的图片文件用Java程序保存到本地

我在S/4HANA的事务码MM02里为Material维护图片文件作为附件: 通过如下简单的ABAP代码即可将图片文件的二进制内容读取出来: REPORT zgos_api.DATA ls_appl_object TYPE gos_s_obj.DA...

JerryWang_SAP ⋅ 今天 ⋅ 0

云计算的选择悖论如何对待?

导读 人们都希望在工作和生活中有所选择。但心理学家的调查研究表明,在多种选项中进行选择并不一定会使人们更快乐,甚至不会产生更好的决策。心理学家Barry Schwartz称之为“选择悖论”。云...

问题终结者 ⋅ 今天 ⋅ 0

637. Average of Levels in Binary Tree - LeetCode

Question 637. Average of Levels in Binary Tree Solution 思路:定义一个map,层数作为key,value保存每层的元素个数和所有元素的和,遍历这个树,把map里面填值,遍历结束后,再遍历这个map,把每...

yysue ⋅ 今天 ⋅ 0

IDEA配置和使用

版本控制 svn IDEA版本控制工具不能使用 VCS-->Enable Version Control Integration File-->Settings-->Plugins 搜索Subversion,勾选SVN和Git插件 删除.idea文件夹重新生成项目 安装SVN客户......

bithup ⋅ 今天 ⋅ 0

PE格式第三讲扩展,VA,RVA,FA的概念

作者:IBinary 出处:http://www.cnblogs.com/iBinary/ 版权所有,欢迎保留原文链接进行转载:) 一丶VA概念 VA (virtual Address) 虚拟地址的意思 ,比如随便打开一个PE,找下它的虚拟地址 这边...

simpower ⋅ 今天 ⋅ 0

180623-SpringBoot之logback配置文件

SpringBoot配置logback 项目的日志配置属于比较常见的case了,之前接触和使用的都是Spring结合xml的方式,引入几个依赖,然后写个 logback.xml 配置文件即可,那么在SpringBoot中可以怎么做?...

小灰灰Blog ⋅ 今天 ⋅ 0

冒泡排序

原理:比较两个相邻的元素,将值大的元素交换至右端。 思路:依次比较相邻的两个数,将小数放在前面,大数放在后面。即在第一趟:首先比较第1个和第2个数,将小数放前,大数放后。然后比较第...

人觉非常君 ⋅ 今天 ⋅ 0

Vagrant setup

安装软件 brew cask install virtualboxbrew cask install vagrant 创建project mkdir -p mst/vmcd mst/vmvagrant init hashicorp/precise64vagrant up hashicorp/precise64是一个box......

遥借东风 ⋅ 今天 ⋅ 0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

返回顶部
顶部