【Tensorflow r1.0 文档翻译】TensorBoard:可视化学习

你使用TensorFlow来进行的某些大规模深度神经网络,可能是很复杂,并且令人困惑的。为了使它更容易被理解、调试、并且优化TensorFlow程序,我们引入了一套可视化工具,它就是TensorBoard。你可以使用TensorBoard来可视化你的TensorFlow计算图,绘制关于图形执行的定量指标,以及显示其他数据的图像。

当TensorBoard完全配置好时,它看起来是这样的:

本教程旨在帮助您学习TensorBoard的基本使用方式。当然,还有其他介绍资源!TensorBoard README有大量关于TensorBoard的信息,包括提示和技巧和调试信息。

序列化数据

TensorBoard通过读取TensorFlow事件文件进行操作,这些文件包含运行TensorFlow时可以生成的摘要数据。下面是TensorBoard中摘要数据的一般生命周期。

首先,创建要从其中收集摘要数据的TensorFlow图,并决定要使用summary operations注释哪些节点。

例如,假设你正在训练一个卷积神经网络来识别MNIST数字。你想记录学习速率随时间的变化,以及目标函数如何变化。通过将tf.summary.scalar操作分别附加到输出学习速率和损失的节点来收集这些信息。然后,给每个scalar_summary赋予有意义的tag,如learning rateloss function

也许你也想要可视化来自特定层的激活的分布,或梯度或权重的分布。通过将tf.summary.histogram操作附加到梯度输出和分别保存您的权重的变量来收集此数据。

有关所有可用摘要操作的详细信息,请查看摘要操作的文档

在您运行TensorFlow中的操作之前,它们都不会被运行,依赖于它们的输出的操作也不会被执行。我们刚刚创建的汇总节点是图形的外设:您当前运行的任何操作都不依赖于它们。因此,要生成摘要,我们需要运行所有这些摘要节点。手动管理它们将是一项乏味的工作,因此我们使用tf.summary.merge_all将它们组合到一个单独的操作中,生成所有的摘要数据。

然后,您可以运行合并的摘要操作,这将生成一个包含有所有给定步骤的摘要数据的序列化的Summary(摘要)protobuf对象。最后,要将此摘要数据写入磁盘,将摘要protobuf传递给tf.summary.FileWriter

FileWriter在它的构造函数中接受一个logdir - 这个logdir是非常重要的,它是所有事件将被写出的目标目录。此外,FileWriter可以选择在其构造函数中接受一个Graph。如果它接收到一个Graph对象,那么TensorBoard将与Tensor形状信息一起显示到界面上。这将使您更好地了解通过图形流动的信息:请参阅Tensor shape信息

现在,你已经修改好了你的图,并且有了一个FileWriter,并且做好了开始运行网络的准备!如果需要,您可以每一步运行一次摘要合并,并记录大量的训练数据。这可能会产生很多你不需要的数据。所以换一种方式,请考虑每n个步骤运行一次摘要合并操作。

下面的代码示例是一个简单的MNIST教程的修改,其中我们添加了一些摘要操作,并且每十步运行它们一次。如果你运行这个代码,然后启动tensorboard --logdir=/tmp/mnist_logs,你将能够可视化统计,例如权重或精度在训练期间如何变化。下面是部分代码,全部源码在这里

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
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
def variable_summaries(var):
"""Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""
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)
def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
"""Reusable code for making a simple neural net layer.
It does a matrix multiply, bias add, and then uses relu to nonlinearize.
It also sets up name scoping so that the resultant graph is easy to read,
and adds a number of summary ops.
"""
# Adding a name scope ensures logical grouping of the layers in the graph.
with tf.name_scope(layer_name):
# This Variable will hold the state of the weights for the layer
with tf.name_scope('weights'):
weights = weight_variable([input_dim, output_dim])
variable_summaries(weights)
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
tf.summary.histogram('pre_activations', preactivate)
activations = act(preactivate, name='activation')
tf.summary.histogram('activations', activations)
return activations
hidden1 = nn_layer(x, 784, 500, 'layer1')
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)
# Do not apply softmax activation yet, see below.
y = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)
with tf.name_scope('cross_entropy'):
# The raw formulation of cross-entropy,
#
# tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(tf.softmax(y)),
# reduction_indices=[1]))
#
# can be numerically unstable.
#
# So here we use tf.nn.softmax_cross_entropy_with_logits on the
# raw outputs of the nn_layer above, and then average across
# the batch.
diff = tf.nn.softmax_cross_entropy_with_logits(targets=y_, logits=y)
with tf.name_scope('total'):
cross_entropy = tf.reduce_mean(diff)
tf.summary.scalar('cross_entropy', cross_entropy)
with tf.name_scope('train'):
train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(
cross_entropy)
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)
# Merge all the summaries and write them out to /tmp/mnist_logs (by default)
merged = tf.summary.merge_all()
train_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/train',
sess.graph)
test_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/test')
tf.global_variables_initializer().run()

在我们初始化FileWriter之后,我们在训练和测试模型时,必须向FileWriter添加摘要。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# Train the model, and also write summaries.
# Every 10th step, measure test-set accuracy, and write test summaries
# All other steps, run train_step on training data, & add training summaries
def feed_dict(train):
"""Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
if train or FLAGS.fake_data:
xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)
k = FLAGS.dropout
else:
xs, ys = mnist.test.images, mnist.test.labels
k = 1.0
return {x: xs, y_: ys, keep_prob: k}
for i in range(FLAGS.max_steps):
if i % 10 == 0: # Record summaries and test-set accuracy
summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
test_writer.add_summary(summary, i)
print('Accuracy at step %s: %s' % (i, acc))
else: # Record train set summaries, and train
summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
train_writer.add_summary(summary, i)

现在,你就可以通过TensorBoard来可视化数据了。

启动TensorBoard

要运行TensorBoard,请使用以下命令(或者python -m tensorflow.tensorboard):

1
tensorboard --logdir=path/to/log-directory

其中logdir指向FileWriter将其数据序列化的目录。如果此logdir目录包含包含单独运行的序列化数据的子目录,则TensorBoard将可视化所有这些运行的数据。TensorBoard开始运行之后,就可以打开您的Web浏览器到localhost:6006来查看TensorBoard了。

当你看着TensorBoard,你会看到在右上角的导航选项卡。每个选项卡表示可以可视化的一组序列化数据。

有关如何使用图形选项卡可视化图形的详细信息,请参阅TensorBoard:图形可视化

有关TensorBoard的更多使用信息,请参阅TensorBoard README

坚持原创技术分享,您的支持将鼓励我继续创作!