深圳网站网站开发/在线收录

深圳网站网站开发,在线收录,国内做的比较好的协会网站,公司推进企业安全文化建设参考文献： https://zhuanlan.zhihu.com/p/71328244 目录 1.可视化计算图 2.可视化参数 3. 远程tensorboard 4、报错真是出来混迟早是要还的，之前一直拒绝学习Tensorboard，因为实在是有替代方案，直到发现到了不得不用的地步…

参考文献：

https://zhuanlan.zhihu.com/p/71328244

1.可视化计算图

2.可视化参数

3. 远程tensorboard

4、报错

真是出来混迟早是要还的，之前一直拒绝学习Tensorboard，因为实在是有替代方案，直到发现到了不得不用的地步。下面主要介绍一下怎么使用Tensorboard来可视化参数，损失以及准确率等变量。

1.可视化计算图

下面是一个单层网络的手写体分类示例：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data", one_hot=True)batch_size = 100
n_batch = mnist.train.num_examples // batch_sizewith tf.name_scope('input'):x = tf.placeholder(dtype=tf.float32, shape=[None, 784], name='x_input')y = tf.placeholder(dtype=tf.int32, shape=[None, 10], name='y_input')with tf.name_scope('layer'):with tf.name_scope('weights'):W = tf.Variable(tf.random_uniform([784, 10]), name='w')with tf.name_scope('biases'):b = tf.Variable(tf.zeros(shape=[10], dtype=tf.float32), name='b')with tf.name_scope('softmax'):prediction = tf.nn.softmax(tf.nn.xw_plus_b(x, W, b))
with tf.name_scope('Loss'):loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
with tf.name_scope('train'):train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
with tf.name_scope('acc'):correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))with tf.Session() as sess:sess.run(tf.global_variables_initializer())writer = tf.summary.FileWriter('logs/', sess.graph)for epoch in range(20):for batch in range(n_batch):batch_x, batch_y = mnist.train.next_batch(batch_size)_, accuracy = sess.run([train_step, acc], feed_dict={x: batch_x, y: batch_y})if batch % 50 == 0:print("### Epoch: {}, batch: {} acc on train: {}".format(epoch, batch, accuracy))accuracy = sess.run(acc, feed_dict={x: mnist.test.images, y: mnist.test.labels})print("### Epoch: {},  acc on test: {}".format(epoch, accuracy))

其计算图的可视化结果如下所示：

其中图中灰色的圆角矩形就是代码中的一个个命名空间tf.name_scope()，而且命名空间是可以嵌套定义的。从计算图中，可以清楚的看到各个操作的详细信息，以及数据量的形状和流向等。这一操作的实现，就全靠第31行代码。执行完这句代码后，会在你指定路径（此处为代码所在路径的logs文件夹中）中生成一个类似名为events.out.tfevents.1561711787的文件。其打开步骤如下：

首先需要安装tensorflow和tensorboard；
打开命令行（Linux终端)，进入到log的上一层目录；
运行命令tensorboard --logdir=logs
如果成功，则会有以下提示：
- TensorBoard 1.5.1 at http://DESKTOP-70LJI62:6006 (Press CTRL+C to quit)
如果有任何报错，最直接的办法就是卸载tensorflow重新安装，若是有多个环境建议用Anaconda管理
将后面的地址粘贴到浏览器中（最好是谷歌），然后就能看到了，可以双击各个结点查看详细信息

2.可视化参数

可视化网络计算图不是太有意义，而更有意义的是在训练网络的同时能够看到一些参数的变换曲线图（如：准确率，损失等），以便于更好的分析网络。

要实现这个操作，只需要添加对应的tf.summary.scalar('acc', acc)语句即可，然后最后合并所有的summary即可。但是，通常情况下网络层的参数都不是标量，而是矩阵这类的；对于这种变量，通常的做法就是计算其最大、最小、平均值以及直方图等。由于对于很多参数都会用到同样的这几个操作，所以在这里就统一定义函数：

def variable_summaries(var):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)

然后在需要可视化参数的地方，调用这个函数即可。

mnist = input_data.read_data_sets("MNIST_data", one_hot=True)batch_size = 100n_batch = mnist.train.num_examples // batch_size
with tf.name_scope('input'):x = tf.placeholder(dtype=tf.float32, shape=[None, 784], name='x_input')y = tf.placeholder(dtype=tf.int32, shape=[None, 10], name='y_input')with tf.name_scope('layer'):with tf.name_scope('weights'):W = tf.Variable(tf.random_uniform([784, 10]), name='w')variable_summaries(W)####with tf.name_scope('biases'):b = tf.Variable(tf.zeros(shape=[10], dtype=tf.float32), name='b')variable_summaries(b)with tf.name_scope('softmax'):prediction = tf.nn.softmax(tf.nn.xw_plus_b(x, W, b))
with tf.name_scope('Loss'):loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))tf.summary.scalar('loss', loss)
with tf.name_scope('train'):train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
with tf.name_scope('acc'):correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))tf.summary.scalar('acc', acc)merged = tf.summary.merge_all()
with tf.Session() as sess:sess.run(tf.global_variables_initializer())writer = tf.summary.FileWriter('logs/', sess.graph)for epoch in range(20):for batch in range(n_batch):batch_x, batch_y = mnist.train.next_batch(batch_size)_, summary, accuracy = sess.run([train_step, merged, acc], feed_dict={x: batch_x, y: batch_y})if batch % 50 == 0:print("### Epoch: {}, batch: {} acc on train: {}".format(epoch, batch, accuracy))writer.add_summary(summary, epoch * n_batch + batch)accuracy = sess.run(acc, feed_dict={x: mnist.test.images, y: mnist.test.labels})print("### Epoch: {},  acc on test: {}".format(epoch, accuracy))

如上代码中的第14、17、22、28行所示。最后，在每次迭代的时候，将合并后的merged进行计算并写道本地文件中（第40行）。最后，按照上面的方法，用tensorboard打开即可。

注：这个不用等到整个过程训练完才能可视化，而是你在训练过程中就能看到的，而且是每30秒根据生成的数据刷新一次，还是很Nice的。