Tensorboard教程：監控指標可視化

Tensorflow監控指標可視化

參考文獻
強烈推薦Tensorflow實戰Google深度學習框架
實驗平台:
Tensorflow1.4.0
python3.5.0
MNIST數據集將四個文件下載后放到當前目錄下的MNIST_data文件夾下

• Tensorflow命名空間與計算圖可視化介紹了通過TensorBoard的GRAPHS可視化TensorFlow計算圖的結構以及在計算圖上的信息。TensorBoard 除了可以可視化TensorFlow 的計算圖，還可以可視化TensorFlow 程序運行過程中各種有助於了解程序運行狀態的監控指標。在本節中將介紹如何利用TensorBoard 中其他欄目可視化這些監控指標。除了GRAPHS以外,TensorBoard界面中還提供了SCALARS(標量),IMAGESAUDIO(圖片),DISTRIBUTIONS(統計分布)HISTOGRAMS(直方圖統計分布)和TEXT(文本)六個界面來可視化其他的監控指標。以下程序展示了如何將TensorFlow程序運行時的信息輸出到TensorBoard 日志文件中。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import tqdm

# ####  1. 生成變量監控信息並定義生成監控信息日志的操作。

SUMMARY_DIR = "log_1"
BATCH_SIZE = 100
TRAIN_STEPS = 3000


# var給出了需要記錄的張量,name給出了在可視化結果中顯示的圖表名稱，這個名稱一般和變量名一致
def variable_summaries(var, name):
    # 將生成監控信息的操作放在同一個命名空間下
    with tf.name_scope('summaries'):
        # 通過tf.histogram_summary函數記錄張量中元素的取值分布
        # tf.summary.histogram函數會生成一個Summary protocol buffer.
        # 將Summary 寫入TensorBoard 門志文件后，在HISTOGRAMS 欄，和
        # DISTRIBUTION 欄下都會出現對應名稱的圖表。和TensorFlow 中其他操作類似，
        # tf.summary.histogram 函數不會立刻被執行，只有當sess.run 函數明確調用這個操作時， TensorFlow
        # 才會具正生成並輸出Summary protocol buffer.

        tf.summary.histogram(name, var)

        # 計算變量的平均值，並定義生成平均值信息日志的操作，記錄變量平均值信息的日志標簽名
        # 為'mean/'+name,其中mean為命名空間，/是命名空間的分隔符
        # 在相同命名空間中的監控指標會被整合到同一欄中，name則給出了當前監控指標屬於哪一個變量

        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean/' + name, mean)

        # 計算變量的標准差，並定義生成其日志文件的操作
        stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev/' + name, stddev)


# #### 2. 生成一層全鏈接的神經網絡。
def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
    # 將同一層神經網絡放在一個統一的命名空間下
    with tf.name_scope(layer_name):
        # 聲明神經網絡邊上的權值，並調用權重監控信息日志的函數
        with tf.name_scope('weights'):
            weights = tf.Variable(tf.truncated_normal([input_dim, output_dim], stddev=0.1))
            variable_summaries(weights, layer_name + '/weights')

        # 聲明神經網絡邊上的偏置，並調用偏置監控信息日志的函數
        with tf.name_scope('biases'):
            biases = tf.Variable(tf.constant(0.0, shape=[output_dim]))
            variable_summaries(biases, layer_name + '/biases')
        with tf.name_scope('Wx_plus_b'):
            preactivate = tf.matmul(input_tensor, weights) + biases
            # 記錄神經網絡節點輸出在經過激活函數之前的分布
            tf.summary.histogram(layer_name + '/pre_activations', preactivate)
        activations = act(preactivate, name='activation')

        # 記錄神經網絡節點輸出在經過激活函數之后的分布。

        """
        對於layerl ，因為使用了ReLU函數作為激活函數，所以所有小於0的值部被設為了0。於是在激活后
        的layerl/activations 圖上所有的值都是大於0的。而對於layer2 ，因為沒有使用激活函數，
        所以layer2/activations 和layer2/pre_activations 一樣。
        """
        tf.summary.histogram(layer_name + '/activations', activations)
        return activations


def main():
    mnist = input_data.read_data_sets("./datasets/MNIST_data", one_hot=True)

    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)
        # 將輸入變量還原成圖片的像素矩陣，並通過tf.iamge_summary函數定義將當前的圖片信息寫入日志的操作

    hidden1 = nn_layer(x, 784, 500, 'layer1')
    y = nn_layer(hidden1, 500, 10, 'layer2', act=tf.identity)

    # 計算交叉熵並定義生成交叉熵監控日志的操作。
    with tf.name_scope('cross_entropy'):
        cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_))
        tf.summary.scalar('cross_entropy', cross_entropy)

    with tf.name_scope('train'):
        train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

    """
    計算模型在當前給定數據上的正確率，並定義生成正確率監控日志的操作。如果在sess.run()
    時給定的數據是訓練batch，那么得到的正確率就是在這個訓練batch上的正確率;如果
    給定的數據為驗證或者測試數據，那么得到的正確率就是在當前模型在驗證或者測試數據上
    的正確率。
    """
    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)

    # tf.scalar_summary,tf.histogram_summary,tf.image_summary函數都不會立即執行，需要通過sess.run來調用這些函數
    # 因為程序重定義的寫日志的操作非常多，一一調用非常麻煩，所以Tensorflow提供了tf.merge_all_summaries函數來整理所有的日志生成操作。
    # 在Tensorflow程序執行的過程中只需要運行這個操作就可以將代碼中定義的所有日志生成操作全部執行一次，從而將所有日志文件寫入文件。

    merged = tf.summary.merge_all()

    with tf.Session() as sess:
        # 初始化寫日志的writer,並將當前的Tensorflow計算圖寫入日志
        summary_writer = tf.summary.FileWriter(SUMMARY_DIR, sess.graph)
        tf.global_variables_initializer().run()

        for i in tqdm.tqdm(range(TRAIN_STEPS)):
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            # 運行訓練步驟以及所有的日志生成操作，得到這次運行的日志。
            summary, _ = sess.run([merged, train_step], feed_dict={x: xs, y_: ys})
            # 將得到的所有日志寫入日志文件，這樣TensorBoard程序就可以拿到這次運行所對應的
            # 運行信息。
            summary_writer.add_summary(summary, i)

    summary_writer.close()


if __name__ == '__main__':
    main()

TensorFlow日志生成函數與Tensorboard界面欄對應關系

按命名空間分類的監控指標