一、前述
TensorBoard是tensorFlow中的可视化界面,可以清楚的看到数据的流向以及各种参数的变化,本文基于一个案例讲解TensorBoard的用法。
二、代码
设计一个MLP多层神经网络来训练数据
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data max_steps = 1000#最大迭代次数 learning_rate = 0.001#学习率 dropout = 0.9# 保留的数据 data_dir = ‘./MNIST_data_bak‘ log_dir = ‘./logs/mnist_with_summaries‘ mnist = input_data.read_data_sets(data_dir, one_hot=True)#把y这一列变成one_hot编码 sess = tf.InteractiveSession() with tf.name_scope(‘input‘):#with块中名字才是最重要的 一个块 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‘): # 784维度变形为图片保持到节点 image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])#-1代维度表不管有多少个 1代表1个通道 28*28个 tf.summary.image(‘input‘, image_shaped_input, 10)#当做一个图片存起来 # 定义神经网络的初始化方法 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1)#截断的正态分布 这里可以用he_initinelize return tf.Variable(initial)#创建一个变量 def bias_variable(shape):#截距 initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) # 以下代码是关于画图的 # 定义Variable变量的数据汇总函数,我们计算出变量的mean、stddev、max、min # 对这些标量数据使用tf.summary.scalar进行记录和汇总 # 使用tf.summary.histogram直接记录变量var的直方图数据 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) # 设计一个MLP多层神经网络来训练数据 # 在每一层中都对模型数据进行汇总 def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):#定义一个隐藏层 input_dim上一层 output_dim本层输出 with tf.name_scope(layer_name): with tf.name_scope(‘weights‘): weights = weight_variable([input_dim, output_dim])#shape传进来是上一层输入,本层输出 如果是MLP,就是全连接可以知道参数个数 variable_summaries(weights)#把权重的各个指标(方差,平均值)进行总结 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#带到激活函数之前的公式 tf.summary.histogram(‘pre_activations‘, preactivate) activations = act(preactivate, name=‘activation‘)#运用激活函数 函数里面传函数 高阶函数 tf.summary.histogram(‘activations‘, activations) return activations # 我们使用刚刚定义的函数创建一层神经网络,输入维度是图片的尺寸784=28*28 # 输出的维度是隐藏节点数500,再创建一个Dropout层,并使用tf.summary.scalar记录keep_prob hidden1 = nn_layer(x, 784, 500, ‘layer1‘)#建立第一层 隐藏层 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)#应用drop_out函数 保留下来的数据 # 然后使用nn_layer定义神经网络输出层,其输入维度为上一层隐含节点数500,输出维度为类别数10 # 同时激活函数为全等映射identity,暂时不使用softmax y = nn_layer(dropped, 500, 10, ‘layer2‘, act=tf.identity)#建立第二层 输出层 # 使用tf.nn.softmax_cross_entropy_with_logits()对前面的输出层的结果进行Softmax # 处理并计算交叉熵损失cross_entropy,计算平均的损失,使用tf.summary.scalar进行统计汇总 with tf.name_scope(‘cross_entropy‘): diff = tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_)#输出层给的结果logits=y #每一行的y是有10个数预测10个值 然后利用这10个值做归一化 然后具备一个概率的含义 第二步计算交叉熵 with tf.name_scope(‘total‘): cross_entropy = tf.reduce_mean(diff)#平均损失 tf.summary.scalar(‘cross_entropy‘, cross_entropy) # 下面使用Adam优化器对损失进行优化,同时统计预测正确的样本数并计算正确率accuracy,汇总 with tf.name_scope(‘train‘): train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)#AdamOptimizer比SGD更好一些,下降速度更快,更容易计算局部最优解 ,当数据量大的时候不如SGD #learning_rate虽然是固定的,后面会自适应,根据上一次的结果 所以大数据量的话,不如定义好策略,这样省时间 with tf.name_scope(‘accuracy‘): with tf.name_scope(‘correct_prediction‘): correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))#预测值最大的索引 和真实值的索引 with tf.name_scope(‘accuracy‘): accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))#true 1 false 0 reduce_mean 是一个比例得到的结果 tf.summary.scalar(‘accuracy‘, accuracy) # 因为我们之前定义了太多的tf.summary汇总操作,逐一执行这些操作太麻烦, # 使用tf.summary.merge_all()直接获取所有汇总操作,以便后面执行 merged = tf.summary.merge_all() # 定义两个tf.summary.FileWriter文件记录器再不同的子目录,分别用来存储训练和测试的日志数据 train_writer = tf.summary.FileWriter(log_dir + ‘/train‘, sess.graph) test_writer = tf.summary.FileWriter(log_dir + ‘/test‘) # 同时,将Session计算图sess.graph加入训练过程,这样再TensorBoard的GRAPHS窗口中就能展示 # 整个计算图的可视化效果,最后初始化全部变量 tf.global_variables_initializer().run() # 定义feed_dict函数,如果是训练,需要设置dropout,如果是测试,keep_prob设置为1 def feed_dict(train): if train:#如果是训练的话需要Droupout 测试的时候不要Droupout xs, ys = mnist.train.next_batch(100)#每一次拿一批次数据去训练 k = dropout else: xs, ys = mnist.test.images, mnist.test.labels#真正测试的话全部测试,不是拿一批次的数据了 k = 1.0 return {x: xs, y_: ys, keep_prob: k} # 执行训练、测试、日志记录操作 # 创建模型的保存器 saver = tf.train.Saver() for i in range(max_steps):#max_steps迭代次数 if i % 10 == 0:#每执行10次的时候汇总一次信息 然后计算测试集的一次准确率 因为传的是Flase summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False)) test_writer.add_summary(summary, i)#然后写出 print(‘Accuracy at step %s: %s‘ % (i, acc)) else: if i % 100 == 99:#如果到100次 run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE) run_metadata = tf.RunMetadata()#保存的是元数据信息 summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))# summary写的是跑完之后的数据 train_writer.add_run_metadata(run_metadata, ‘step%03d‘ % i) train_writer.add_summary(summary, 1)#写文件 saver.save(sess, log_dir + ‘model.ckpt‘, i) print(‘Adding run metadata for‘, i) else:#不是10次,也不是100次 ,说明其他批次,则训练数据 summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))#训练 train_writer.add_summary(summary, i) train_writer.close() test_writer.close()
三、TensorBoard的使用
1、找到代码中tf.summary.FileWriter文件记录器存储训练和测试的日志数据的目录
在Terninal中输入tensorboard --logdir="D:\Project\AI_Project\tensforflow_study\logs"
其中Logdir正式上面代码中保存的路径,这里注意是绝对路径,并且使用双引号引起来。
2、在浏览器中输入localhost:6006即可
Graph模块是整个数据流向图
SCALARS可以看到损失函数逐渐减小,w参数也在逐渐减小
剩下的功能自己挖掘吧!!!