TensorBoard:可视化学习
来源:互联网 发布:网络信息安全现状 编辑:程序博客网 时间:2024/06/07 10:53
TensorBoard:可视化学习
您使用TensorFlow的计算 - 像训练一个巨大的深层神经网络 - 可能是复杂和混乱的。为了更容易理解,调试和优化TensorFlow程序,我们提供了一套名为TensorBoard的可视化工具。您可以使用TensorBoard可视化您的TensorFlow图形,绘制关于图形执行的定量指标,并显示其他数据,如通过它的图像。当TensorBoard完全配置后,它看起来像这样:
本教程旨在让您开始使用简单的TensorBoard用法。还有其他资源可用!该TensorBoard README 对TensorBoard使用了大量的信息,包括提示和技巧,和调试信息。
序列化数据
TensorBoard通过读取TensorFlow事件文件来操作,该文件包含在运行TensorFlow时可以生成的摘要数据。以下是TensorBoard中摘要数据的一般生命周期。
首先,创建要收集摘要数据的TensorFlow图,并确定要使用汇总操作注释哪些节点 。
例如,假设您正在训练用于识别MNIST数字的卷积神经网络。您想记录学习速度随时间变化的方式,以及目标函数的变化。通过将tf.summary.scalar
操作附加到分别输出学习速率和丢失的节点来收集这些数据。然后,给每scalar_summary
一个有意义的tag
,喜欢'learning rate'
或'loss function'
。
也许您也希望可视化特定层次的激活分布,或梯度或重量的分布。通过将tf.summary.histogram
操作附加到渐变输出和分别保存权重的变量来收集此数据 。
有关可用的所有摘要操作的详细信息,请查看摘要操作的文档 。
TensorFlow中的操作在运行它们之前不执行任何操作,或者取决于其输出的操作。而我们刚刚创建的汇总节点是图形的外围设备:您当前运行的操作不依赖于它们。因此,为了生成摘要,我们需要运行所有这些汇总节点。手工管理它们将是乏味的,所以使用 tf.summary.merge_all
它们将它们组合成一个单一的操作,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Summary
在给定步骤中生成一个序列化的protobuf对象,其中 包含所有摘要数据。最后,要将此摘要数据写入磁盘,请将摘要protobuf传递给 tf.summary.FileWriter
。
将FileWriter
在其构造需要LOGDIR -这LOGDIR是非常重要的,它是在所有的事件都将被写出的目录。此外,FileWriter
可以选择Graph
在其构造函数中。如果它接收到一个Graph
对象,那么TensorBoard会将您的图形与张量形状信息一起显示。这将使您更好地了解流经图形的内容:请参阅 张量形状信息。
现在您已经修改了图表,并且已经FileWriter
准备好开始运行网络了!如果需要,您可以每一步运行合并摘要,并记录大量的培训数据。尽管如此,这可能比您需要更多的数据。相反,考虑在n
步骤中运行合并的摘要。
下面的代码示例是简单的MNIST教程的修改 ,其中我们添加了一些摘要操作,并且每十个步骤运行它们。如果你运行这个然后启动tensorboard --logdir=/tmp/tensorflow/mnist
,你将能够可视化的统计数据,比如在训练过程中权重或准确性如何变化。下面的代码是摘录; 全部来源在 这里。
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()
在我们初始化之后FileWriters
,我们必须在FileWriters
我们训练和测试模型时添加摘要 。
# 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,您可以使用TensorBoard来显示此数据。
启动TensorBoard
要运行TensorBoard,请使用以下命令(可选python -m tensorflow.tensorboard
)
tensorboard --logdir=path/to/log-directory
其中logdir
指向其FileWriter
序列化其数据的目录。如果此logdir
目录包含从单独运行中包含序列化数据的子目录,则TensorBoard将可视化所有这些运行中的数据。一旦TensorBoard运行,浏览您的网页浏览器localhost:6006
来查看TensorBoard。
查看TensorBoard时,您会看到右上角的导航标签。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深入信息,请参阅TensorBoard:图形可视化。
有关TensorBoard的更多使用信息,请参阅TensorBoard README。
- Tensorflow学习:Tensorboard可视化
- TensorBoard可视化学习
- TensorBoard:可视化学习
- TensorBoard可视化学习
- TensorFlow-6-TensorBoard 可视化学习
- tensorflow学习之tensorboard可视化
- tensorboard可视化
- 【tensorflow学习】使用tensorboard实现数据可视化
- Tensorflow学习:Tensorboard可视化(二)
- 极客学院 TensorBoard:可视化学习
- tensorflow学习笔记(七):tensorboard可视化
- tensorflow学习——TensorBoard可视化
- 87、使用TensorBoard进行可视化学习
- TensorFlow学习--TensorBoard神经网络可视化
- 学习TensorFlow,TensorBoard可视化网络结构和参数
- tensorflow学习笔记三——可视化tensorboard
- 【tensorflow1.0学习笔记004】TensorBoard可视化助手
- TensorFlow学习笔记(七):TensorBoard可视化助手
- 静态include与动态include的区别分析
- SpringBoot +maven +idea 最简单的一个web程序的演示流程
- H5解析|如何做“穿上军装”现象级爆款H5,分析完这些你就懂了
- 极角排序
- 数字相关的工具类
- TensorBoard:可视化学习
- [leetcode]25. Reverse Nodes in k-Group
- hdu 1517 A Multiplication Game
- MYSQL5.6 主从复制
- TensorBoard:嵌入可视化
- 算法系列-大数据面试题-在超大文件中找出访问百度次数最多的IP
- 老哈佛H3的空调控制器的维修记录
- LAMP环境安装rabbitmq
- TensorBoard:图形可视化