首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Tensorflow可视化教程

TensorBoard

简介:TensorBoard是tensorflow官方推出的可视化工具,它可以将模型训练过程中的各种汇总数据展示出来,包括标量(Scalars)、图片(Images)、音频(Audio)、计算图(Graphs)、数据分布(Distributions)、直方图(Histograms)和潜入向量(Embeddigngs)。

作用:tensorflow代码执行过程是先构建图,然后在执行,所以对中间过程的调试不太方便;除此之外,在使用tensorflow训练大型深度学习神经网络时,中间的计算过程可能非常复杂,因此为了理解、调试和优化网络,可以使用TensorBoard观察训练过程中的各种可视化数据。

TensorBoard可视化过程

在将可视化过程之前,为了方便理解,对之中设计的一些概念做一个简要介绍。

什么是Graph和Session

graph定义了computation,它不计算任何东西,不包含任何值,只是定义了你在代码中指定的操作。关于graph的官方文档地址:https://www.tensorflow.org/api_docs/python/tf/Graph。若不建立graph,TensorFlow在加载库的时候会地创建图,并且将这个图指定为默认图。可以通过使用tf.get_default_graph()函数获得默认图的句柄。在大多数的TensorFlow程序中,都只是用默认图(graph)来处理。不过,当你定义的多个模型没有相互内在的依赖的情况下,创建多个图的时候很有用。下面,我们一个变量和三个操作定义一个图形:variable返回变量的当前值。initialize将42的初始值赋给那个变量。assign给该变量赋值13的新值。

Session会话允许执行graph或graph的一部分。它为此分配资源(在一台或多台机器上)并保存中间结果和变量的实际值。要运行上面三个定义的操作中的任何一个时,我们需要为该graph创建一个会话Session。 因此会话Session需要分配内存来存储变量的当前值。

可视化过程

先建立一个graph

确定要在graph中的哪些节点放置summary operations以记录信息

使用tf.summary.scalar记录标量

使用tf.summary.histogram记录数据的直方图

使用tf.summary.distribution记录数据的分布图

使用tf.summary.image记录图像数据

……

operations并不会去真的执行计算,除非你告诉他们需要去run,或者它被其他的需要run的operation所依赖。而我们上一步创建的这些summary operations其实并不被其他节点依赖,因此,我们需要特地去运行所有的summary节点。但是呢,一份程序下来可能有超多这样的summary 节点,要手动一个一个去启动自然是及其繁琐的,因此我们可以使用tf.summary.merge_all去将所有summary节点合并成一个节点,只要运行这个节点,就能产生所有我们之前设置的summary data

使用tf.summary.FileWriter将运行后输出的数据都保存到本地磁盘中

运行整个程序,并在命令行输入运行tensorboard的指令,之后打开web端可查看可视化的结果

Tensorboard使用案例

使用最基础的识别手写字体的案例,建立一个简单的神经网络,让大家了解如何使用Tensorboard。可以从github获得源码:

https://github.com/guoswang/TensorBoard

导入包,定义超参数,载入数据

首先还是导入需要的包:

定义固定的超参数,方便待使用时直接传入。如果你问,这个超参数为啥要这样设定,如何选择最优的超参数?这个问题此处先不讨论,超参数的选择在机器学习建模中最常用的方法就是“交叉验证法”。而现在假设我们已经获得了最优的超参数,设置学利率为0.001,dropout的保留节点比例为0.9,最大循环次数为1000.

另外,还要设置两个路径,第一个是数据下载下来存放的地方,一个是summary输出保存的地方。

3.接着加载数据,下载数据是直接调用了tensorflow提供的函数read_data_sets,输入两个参数,第一个是下载到数据存储的路径,第二个one_hot表示是否要将类别标签进行独热编码。它首先回去找制定目录下有没有这个数据文件,没有的话才去下载,有的话就直接读取。所以第一次执行这个命令,速度会比较慢。

创建特征与标签的占位符,保存输入的图片数据到summary

创建tensorflow的默认会话:

创建输入数据的占位符,分别创建特征数据x,标签数据y_

在tf.placeholder()函数中传入了3个参数,第一个是定义数据类型为float32;第二个是数据的大小,特征数据是大小784的向量,标签数据是大小为10的向量,None表示不定死大小,到时候可以传入任何数量的样本;第3个参数是这个占位符的名称。

创建初始化参数的方法,与参数信息汇总到summary的方法

在构建神经网络模型中,每一层中都需要去初始化参数w,b,为了使代码简介美观,最好将初始化参数的过程封装成方法function。

创建初始化权重w的方法,生成大小等于传入的shape参数,标准差为0.1,正态分布的随机数,并且将它转换成tensorflow中的variable返回。

创建初始换偏执项b的方法,生成大小为传入参数shape的常数0.1,并将其转换成tensorflow的variable并返回

我们知道,在训练的过程在参数是不断地在改变和优化的,我们往往想知道每次迭代后参数都做了哪些变化,可以将参数的信息展现在tenorbord上,因此我们专门写一个方法来收录每次的参数信息。

构建神经网络层

调用隐层创建函数创建一个隐藏层:输入的维度是特征的维度784,神经元个数是500,也就是输出的维度。

创建一个dropout层,,随机关闭掉hidden1的一些神经元,并记录keep_prob

创建一个输出层,输入的维度是上一层的输出:500,输出的维度是分类的类别种类:10,激活函数设置为全等映射identity.(暂且先别使用softmax,会放在之后的损失函数中一起计算)

创建损失函数

训练,并计算准确率

使用AdamOptimizer优化器训练模型,最小化交叉熵损失

合并summary operation, 运行初始化变量

将所有的summaries合并,并且将它们写到之前定义的log_dir路径

准备训练与测试的两个数据,循环执行整个graph进行训练与评估

现在我们要获取之后要喂入的数据.

如果是train==true,就从mnist.train中获取一个batch样本,并且设置dropout值;

如果是不是train=false,则获取minist.test的测试数据,并且设置keep_prob为1,即保留所有神经元开启。

开始训练模型。

每隔10步,就进行一次merge, 并打印一次测试数据集的准确率,然后将测试数据集的各种summary信息写进日志中。

每隔100步,记录原信息

其他每一步时都记录下训练集的summary信息并写到日志中。

执行程序,tensorboard生成可视化

运行整个程序,在程序中定义的summary node就会将要记录的信息全部保存在指定的logdir路径中了,训练的记录会存一份文件,测试的记录会存一份文件。

进入linux命令行,运行以下代码,等号后面加上summary日志保存的路径(在程序第一步中就事先自定义了)

执行命令之后会出现一条信息,上面有网址,将网址在浏览器中打开就可以看到我们定义的可视化信息了。可视化后的展示详情见GitHub中README部分:

https://github.com/guoswang/TensorBoard/blob/master/README.md

参考

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180122G0L9AQ00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券