1.什么是Tensorboard?
PPT设计原则中有这样一条，叫“文不如表，表不如图”，可见图表在表达中更为直观、明确。程序设计中也是一样，我们经常用图表来描述程序的结构和流程，本文所述的Tensorboard就是Tensorflow提供的一款强大的可视化工具，可以借助图表更方便地进行Tensorflow程序的理解、调试和优化。
左面的数据流图cool吗？它是Tensorflow官网上给出的demo，下面，本文就结合一个具体的例子，介绍下Tensorboard的基本使用。
2. 如何使用Tensorboard?
Tensorboard的使用可大体归结为如下几步：
1) 在构建graph的过程中，记录你想要追踪的Tensor
2) Session会话运行上一步骤中的记录
3) 查看可视化效果
那么如何具体操作呢？先走一波示例代码，一个用三层神经网络实现回归问题的小例子
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt def add_layer(inputs, in_size, out_size, n_layer, activation_function = None):
# add one more layer and return the output of this layer
layer_name = 'layer%s' % n_layer
with tf.name_scope('layer'):
with tf.name_scope('weights'):
Weights = tf.Variable(tf.random_normal([in_size, out_size]), name = 'W')
tf.summary.histogram(layer_name + '/weights', Weights)
with tf.name_scope('biases'):
biases = tf.Variable(tf.zeros([1,out_size]) + 0.1, name = 'b')
tf.summary.histogram(layer_name + '/biases', biases)
with tf.name_scope('Wx_plus_b'):
Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases, name = 'Wpb')
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
tf.summary.histogram(layer_name + '/outputs', outputs)
return outputs #define placeholder for inputs
with tf.name_scope('inputs'):
xs = tf.placeholder(tf.float32, [None, 1], name = 'x_input')
ys = tf.placeholder(tf.float32, [None, 1], name = 'y_input') # make up some real data
x_data = np.linspace(-1.0, 1.0, 300, dtype = np.float32)[:,np.newaxis]
noise = np.random.normal(0.0, 0.05, x_data.shape)
y_data = np.square(x_data) + 0.5 + noise # add hidden layer and output layer
l1 = add_layer(xs, 1, 10, n_layer = 1, activation_function = tf.nn.relu)
prediction = add_layer(l1, 10, 1, n_layer = 2, activation_function = None) # the error between prediction and real data
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices = [1]), name = 'L')
tf.summary.scalar('loss', loss)
with tf.name_scope('train'):
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.show(block = False)
merged =tf.summary.merge_all()
writer = tf.summary.FileWriter('/tmp/tensorlogs/ex5', sess.graph)
for i in range(1000):
sess.run(train_step, feed_dict = {xs : x_data, ys : y_data})
if i % 50 == 0:
# print(i, sess.run(loss, feed_dict = {xs : x_data, ys : y_data}))
try:
ax.lines.remove(lines[0])
except Exception:
pass
result, prediction_value = sess.run([merged, prediction], feed_dict = {xs : x_data, ys : y_data})
lines = ax.plot(x_data, prediction_value, 'r-', lw = 5)
plt.pause(0.1)
writer.add_summary(result, i)
下面具体分解上述的3个步骤
1) 在上述示例中用了tf.summary.histogram()和tf.summary.scalar()记录要追踪的Tensor，前者可汇总和记录标量数据，如41行的loss；后者可汇总和记录变量为直方图，如11行的Weights。此外，tf.summary还可汇总记录图片(images)，音频(Audio)等内容。
2) 在Session中运行之前，要将上述所有汇总记录做一个合并，以便统一运行，如52行的merged所示，还要指定运行后存放数据记录的日志文件的位置，如53行的writer所示。接下来，就可以通过运行获取数据记录了，如62行的result所示，这里为了简洁，将result和prediction_value放在了一起运行，也可以拆成两行执行。程序要进行多次训练，如54行的for所示，每隔50次记录下追踪数据，如56行if所示，每次记录通过writer.add_summary()添加到日志文件中。
3) 程序运行结束后，打开终端，输入tensorboard --logdir='path'，其中的path为指定的日志文件存放路径，如53行'/tmp/tensorlogs/ex5'，运行后会看到下图所示
在浏览器的地址栏中输入上图中所示的地址http://David:6006，就会看到如下图所示的tensorboard图表：
graph: 程序图的结构
scalars: 损失函数的值随着训练次数的增加逐步下降
distributions: 隐藏层和输出层参数的分布图
histograms: 隐藏层和输出层参数的直方图
3. 总结
tensorboard的使用对于程序的理解、分析和优化都很有帮助，本文结合一个小的程序例子介绍了tensorboard的基本使用，更多内容可参看官方文档中关于Mnist数据集的代码实例。本文的实验环境为ubuntu16.04+tensorflow1.1。