前言
只有光頭才能變強。
文本已收錄至我的GitHub倉庫，歡迎Star：https://github.com/ZhongFuCheng3y/3y
回顧前面：
這篇文章主要講講TensorBoard的基本使用以及name_scope和variable_scope的區別
一、入門TensorBoard
首先來講講TensorBoard是什么吧，我當時是在官方文檔里學習的，官網也放出了介紹TensorBoard的視頻。我在b站搜了一把，發現也有，大家可以先去看看視頻了解一下(其實已經說得很好了)：
為了更方便 TensorFlow 程序的理解、調試與優化，於是就有了TensorBoard 這樣的的可視化工具
因為我們編寫出來的TensorFlow程序，建好一個神經網絡，其實我們也不知道神經網絡里頭具體細節到底做了什么，要人工調試十分困難(就好比你無法想象出遞歸的所有步驟一樣)。有了TensorBoard，可以將TensorFlow程序的執行步驟都顯示出來，非常直觀。並且，我們可以對訓練的參數(比如loss值)進行統計，用圖的方式來查看變化的趨勢。
1.1 name_scope和variable_scope
在視頻中其實也有提到，我們想要TensorBoard的圖能夠更好地展示(更加有條理)，那一般我們需要對其用name_scope取名。
那除了name_scope，還有一個叫做variable_scope。那他們有什么區別呢？顧名思義，name_scope是一個名稱作用域，variable_scope是變量作用域。
在前面文章中，創建變量有兩種方式，一種是用tf.get_variable()來創建，一種是用tf.Variable()來創建。這兩種創建方式也是有區別的。
- 在
tf.name_scope下時，tf.get_variable()創建的變量名不受name_scope的影響，而且在未指定共享變量時，如果重名就會報錯。tf.Variable()會自動檢測有沒有變量重名，如果有則會自行處理(自動創建一個)
比如下面的代碼：
with tf.name_scope('name_sp1') as scp1:
with tf.variable_scope('var_scp2') as scp2:
with tf.name_scope('name_scp3') as scp3:
a = tf.Variable('a')
b = tf.get_variable('b')
等同於：
with tf.name_scope('name_sp1') as scp1:
with tf.name_scope('name_sp2') as scp2:
with tf.name_scope('name_scp3') as scp3:
a = tf.Variable('a')
with tf.variable_scope('var_scp2') as scp2:
b = tf.get_variable('b')
這里體現的是如果用get_variable的方式來創建對象，是不受name_scope所影響的。
要注意的是，下面的代碼會報錯。因為在scp作用域下壓根就沒有a這個變量，同時又設置成reuse=True。這里因為的是找不到共享變量而出錯！
with tf.variable_scope('scp', reuse=True) as scp:
a = tf.get_varialbe('a') #報錯
同樣地，下面的代碼也會報錯，因為明明已經有共享變量了，但設置成reuse=false。所以就會報錯。
with tf.variable_scope('scp', reuse=False) as scp:
a = tf.get_varialbe('a')
a = tf.get_varialbe('a') #報錯
最后，我們再來看這個例子，應該就可以看懂了。
with tf.variable_scope('variable_scope_y') as scope:
var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)
scope.reuse_variables() # 設置共享變量
var1_reuse = tf.get_variable(name='var1')
var2 = tf.Variable(initial_value=[2.], name='var2', dtype=tf.float32)
var2_reuse = tf.Variable(initial_value=[2.], name='var2', dtype=tf.float32)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(var1.name, sess.run(var1))
print(var1_reuse.name, sess.run(var1_reuse))
print(var2.name, sess.run(var2))
print(var2_reuse.name, sess.run(var2_reuse))
# 輸出結果：
# variable_scope_y/var1:0 [-1.59682846]
# variable_scope_y/var1:0 [-1.59682846] 可以看到變量var1_reuse重復使用了var1
# variable_scope_y/var2:0 [ 2.]
# variable_scope_y/var2_1:0 [ 2.]
參考資料：
1.2 TensorBoard例子
下面我們來看一個TensorBoard簡單的入門例子，感受一下：
def learn_tensor_board_2():
# prepare the original data
with tf.name_scope('data'):
x_data = np.random.rand(100).astype(np.float32)
y_data = 0.3 * x_data + 0.1
##creat parameters
with tf.name_scope('parameters'):
with tf.name_scope('weights'):
weight = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
tf.summary.histogram('weight', weight)
with tf.name_scope('biases'):
bias = tf.Variable(tf.zeros([1]))
tf.summary.histogram('bias', bias)
##get y_prediction
with tf.name_scope('y_prediction'):
y_prediction = weight * x_data + bias
##compute the loss
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.square(y_data - y_prediction))
tf.summary.scalar('loss', loss)
##creat optimizer
optimizer = tf.train.GradientDescentOptimizer(0.5)
# creat train ,minimize the loss
with tf.name_scope('train'):
train = optimizer.minimize(loss)
# creat init
with tf.name_scope('init'):
init = tf.global_variables_initializer()
##creat a Session
sess = tf.Session()
# merged
merged = tf.summary.merge_all()
##initialize
writer = tf.summary.FileWriter("/Users/zhongfucheng/tensorboard/loss-2", sess.graph)
sess.run(init)
## Loop
for step in range(201):
sess.run(train)
rs = sess.run(merged)
writer.add_summary(rs, step)
if __name__ == '__main__':
learn_tensor_board_2()
# 啟動完了之后，要在命令行上運行tensor_board的命令，指定其目錄，最后我們就可以通過6006的默認端口訪問我們的圖。
(例子來源網絡，我改動了一下，出處我忘了，侵刪~)
接下來，我們啟動一下TensorBoard，看看圖是怎么樣的，啟動命令如下：
tensorboard --logdir=/Users/zhongfucheng/tensorboard/loss-2
啟動成功的圖：
通過6006端口我們去訪問一下，首先我們可以檢測到loss值的變更：
我們也可以查看TensorFlow程序大概的執行步驟：
參數w和b的直方圖：
總之，TensorBoard可以方便地查看我們參數的變化，以便更好理解我們寫的代碼。
參考資料：
最后
樂於輸出干貨的Java技術公眾號：Java3y。公眾號內有200多篇原創技術文章、海量視頻資源、精美腦圖，不妨來關注一下！
覺得我的文章寫得不錯，不妨點一下贊！