源代码/数据集已上传到
Github - tensorflow-tutorial-samples
这篇文章是 TensorFlow Tutorial 入门教程的第三篇文章。
在第一篇文章中，我们通过每10步打印出loss值的方式，来观察loss值的变化。但是这样做并不直观，有没有什么方式能够让整个训练的过程更加一目了然呢？tensorflow提供了tensorboard，专门来实现训练过程的可视化。
tensorboard
为了更方便 tensorflow 程序的理解、调试与优化，Google发布了一套叫做 tensorboard 的可视化工具。我们可以用 tensorboard 来展现tensorflow 图像，绘制图像生成的定量指标图以及附加数据。
tensorboard 是通过读取 tensorflow 的事件文件来运行的，因为，我们需要将可视化的数据写入事件文件，这个过程称为Summary即汇总数据，这样才能在tensorflow中看到期望的可视化效果，先展示下最终的效果。
summary的生命周期
1. 选择需要汇总数据的张量
1
2
3
4
5
6
7
|
w = tf.Variable(tf.zeros([784, 10]), name="fc/weight")
loss = -tf.reduce_sum(label * tf.log(y + 1e-10))
tf.summary.scalar('loss', loss)
tf.summary.histogram('weight', w)
|
2. 汇总数据的存放位置
1
2
|
merged_writer = tf.summary.FileWriter("./log", sess.graph)
|
3. 生成汇总数据
在tensorflow中，所有的操作只有当你执行，或者另一个操作依赖于它的输出时才会运行。我们刚才创建的这些summary node没有任何操作依赖于它们的结果，因此是不会主动生成的汇总数据的。为了生成汇总信息，可以使用tf.merge_all_summaries来合并所有的summary node。
1
2
3
4
|
merged_summary_op = tf.summary.merge_all()
_, loss, merged_summary = self.sess.run([train, loss, merged_summary_op], feed_dict={x: x, label: label})
|
4. 保存汇总数据到文件中
可以每一步数据都保存，但是一般没有这个必要，可以选择每100步保存一次。
1
2
| if step % 100 == 0:
merged_writer.add_summary(merged_summary, step)
|
可视化mnist网络
- 在模型（model.py）中选择需要summary的张量
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
| import tensorflow as tf
class Network:
def __init__(self):
self.learning_rate = 0.001
self.global_step = tf.Variable(0, trainable=False, name="global_step")
self.x = tf.placeholder(tf.float32, [None, 784], name="x")
self.label = tf.placeholder(tf.float32, [None, 10], name="label")
self.w = tf.Variable(tf.zeros([784, 10]), name="fc/weight")
self.b = tf.Variable(tf.zeros([10]), name="fc/bias")
self.y = tf.nn.softmax(tf.matmul(self.x, self.w) + self.b, name="y")
self.loss = -tf.reduce_sum(self.label * tf.log(self.y + 1e-10))
self.train = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(
self.loss, global_step=self.global_step)
predict = tf.equal(tf.argmax(self.label, 1), tf.argmax(self.y, 1))
self.accuracy = tf.reduce_mean(tf.cast(predict, "float"))
tf.summary.histogram('weight', self.w)
tf.summary.histogram('bias', self.b)
tf.summary.scalar('loss', self.loss)
tf.summary.scalar('accuracy', self.accuracy)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
| import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from model import Network
CKPT_DIR = 'ckpt'
class Train:
def __init__(self):
self.net = Network()
self.sess = tf.Session()
self.sess.run(tf.global_variables_initializer())
self.data = input_data.read_data_sets('../data_set', one_hot=True)
def train(self):
batch_size = 64
train_step = 20000
step = 0
save_interval = 1000
saver = tf.train.Saver(max_to_keep=5)
merged_summary_op = tf.summary.merge_all()
merged_writer = tf.summary.FileWriter("./log", self.sess.graph)
ckpt = tf.train.get_checkpoint_state(CKPT_DIR)
if ckpt and ckpt.model_checkpoint_path:
saver.restore(self.sess, ckpt.model_checkpoint_path)
step = self.sess.run(self.net.global_step)
print('Continue from')
print(' -> Minibatch update : ', step)
while step < train_step:
x, label = self.data.train.next_batch(batch_size)
_, loss, merged_summary = self.sess.run(
[self.net.train, self.net.loss, merged_summary_op],
feed_dict={self.net.x: x, self.net.label: label}
)
step = self.sess.run(self.net.global_step)
if step % 100 == 0:
merged_writer.add_summary(merged_summary, step)
if step % save_interval == 0:
saver.save(self.sess, CKPT_DIR + '/model', global_step=step)
print('%s/model-%d saved' % (CKPT_DIR, step))
app = Train()
app.train()
|
启动tensorboard
启动前，需要先训练网络，训练过程中，数据会每隔100步写入log文件夹下的文件中，这个时候，可以启动tensorboard（随tensorflow安装，不用单独安装）
1
2
3
| tensorboard --logdir=./log
或
python -m tensorboard.main --logdir=./log
|
./log是summary数据存储的路径，即在tf.summary.FileWriter中传入的路径。tensorboard 开始运行后，在浏览器中输入 localhost:6006 即可看到本文最开始的效果。
觉得还不错，不要吝惜你的star，支持是持续不断更新的动力。
附 推荐
上一篇 « Pandas 数据处理(二) - 筛选数据
下一篇 » TensorFlow入门(四) - mnist手写数字识别(制作h5py训练集)
