使用tensorboard可視化模型

　　Tensorboard是TF自帶的可視化工具。它可以讓我們從各個角度觀察與修改模型，比如觀察模型在訓練時的loss動態變化曲線而無需在迭代完畢后再畫圖、繪制神經網絡的結構圖、調節超參數等。下面以最簡單的形式展示tensorboard的常用功能。

開啟tensorboard

　　打開命令行輸入

tensorboard --logdir logs

　　然后回車。前兩個參數固定，第三個參數表示tensorboard所要觀察的文件夾位置。后面再使用TF將信息寫入該文件夾中，tensorboard就可以從中讀取數據用於可視化。輸出如下：

　　進入得到的鏈接，就是tensorboard的界面了。這時你的logs文件夾應該還是空的，沒有寫入數據，所以tensorboard無法可視化。下面介紹如何向文件夾中寫入數據。

Scalars

　　Scalars用來可視化時間步下的狀態曲線，比如loss的變化曲線。下面是代碼示例：

import numpy as np
import tensorflow as tf 
from datetime import datetime


current_time = datetime.now().strftime("%Y{y}%m{m}%d{d}-%H-%M-%S").format(y = '年',m = '月',d='日')
log_path = 'logs/'+current_time#——————1——————
log_writer = tf.summary.create_file_writer(log_path)#——————2——————
  
for i in range(100):  
  data1 = np.random.normal()#——————3——————
  data2 = np.random.normal()#——————3——————
  with log_writer.as_default():#——————4——————
    tf.summary.scalar('test1', data1, i) #——————5——————
    tf.summary.scalar('test2', data2, i) #——————5——————

　　#1/2：創建以時間命名的用於保存記錄的文件，並獲取用於往該文件中寫入記錄的對象實例。注意！文件要保存在logs文件夾中，tensorboard才能讀取。 

　　#3：定義每次迭代要記錄的值。

　　#4/5：使用#2定義的對象將記錄以scalar的方式寫入，scalar實際上就是畫折線圖，其中三個參數分別代表是：記錄名、這次迭代要保存的值、第幾次迭代。可以看出，一個文件可以保存多條記錄，而每條記錄都含有多次迭代。

　　在tensorboard界面中，右上角點擊刷新，或者在下拉選項中選擇scalar，tensorboard就會顯示輸出的記錄。界面中還能調節平滑度什么的，這里就不記錄了。Tensorboard的一大好處在於它能在代碼執行的時候同步可視化圖像，上面的代碼示例僅有100次迭代，不好體現，可以自己嘗試一下。

　　可視化后的折線圖界面如下：

Graphs

　　可視化模型結構，但是顯示出來的結構很亂，幾乎沒法看，暫時沒弄懂看的是什么。這里先記錄顯示流程。代碼示例如下：

import numpy as np 
from tensorflow.keras import Input,Model,layers,losses,callbacks 

logdir="logs/test"  
tensorboard_callback = callbacks.TensorBoard(log_dir=logdir)#——————1——————
class TestModel(Model):#——————2——————
  def __init__(self):
    super().__init__()
    self.layer1 = layers.Dense(10) 
    self.layer2 = layers.Dense(1)
  def call(self,inputs):
    x = self.layer1(inputs) 
    x = self.layer2(x)
    return x
model = TestModel()#——————3——————
model.compile(optimizer='rmsprop',loss='mse')#——————4——————
model.fit(np.ones([3,10]),
          np.ones([3,1]),
          callbacks=[tensorboard_callback]) #——————5——————

　　#1：定義保存模型結構的文件，獲取一個回調函數對象，用於在fit的時候將模型計算圖記錄並保存。

　　#2：繼承Model類自定義我們的模型，只要實現以上兩個函數即可。

　　#3/4/5：實例化模型、編譯，然后fit，讓上面定義的回調函數過一遍我們的模型，這樣一來它就能將結構記錄下來了。

　　然后打開tensorboard網頁，右上角下拉選中GRAPH，就能看到畫出的圖了。如下圖（顯示的玩意兒看不太懂）：

　　另外，因為是在fit中保存的結構，所以它在保存的時候會多包一層train文件夾。

Hparams

　　超參數優化。暫時用不到，以后再記錄。