Mnist进阶代码分析，Tensorboard的基本使用

摘要：

1. 基于CNN的Mnist代码详解

   • tensorflow.nn.conv2d函数
   • strides
   • reshape
   • tensorflow.nn.max_pool函数
   • padding
   • 。。。。。。

2. tensorboard

   • tensorboard中的name_scope
   • tensorboard中的summary.*
   • 将graph加到tensorboard中
   • 。。。。。。
3. 详解Windows中查看tensorboard页面
   
   • 文件路径
   • 解决No dashboards are active for the current data set

老规矩，先给出官网以及apachecn的代码分析，及Github地址，还有YouTube上Google的tensorboard介绍（讲解者是开发者）
官网
apachecn
代码Github地址
TensorBoard
第1、4个链接需要梯子

• 导入一些包

import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data

• 定义权重以及偏置的初始化函数，简化待会的重复使用
• 权重的shape[filter_height, filter_width, in_channels, out_channels]

# 生成给定形状的权值及偏置变量def weight_variable(shape):  initial = tf.truncated_normal(shape, stddev=0.1)  return tf.Variable(initial)# 通常，权重在初始化时应该加入少量的噪声来打破对称性以及避免0梯度。由于我们使#用 ReLU神经元，因此较好的做法是用一个较小的正数来初始化偏置量，以避免神经元节点输出恒为0（dead neurons）def bias_variable(shape):  initial = tf.constant(0.1, shape=shape)  return tf.Variable(initial)

• 定义TensorBoard概要函数

def variable_summaries(var):    with tf.name_scope('summaries'):        mean = tf.reduce_mean(var)        tf.summary.scalar('mean', mean)#平均值        with tf.name_scope('stddev'):            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))        tf.summary.scalar('stddev', stddev)#标准差        tf.summary.scalar('max', tf.reduce_max(var))#最大值        tf.summary.scalar('min', tf.reduce_min(var))#最小值        tf.summary.histogram('histogram', var)#直方图

• 定义卷积层与池化层
  padding 详见：padding操作

def conv2d(x, W):    # tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)    # padding='SAME'表示适当的用0填充。    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')    # 给定一个形状为[[batch（输入的数量。-1表示数量不定），in_height，    # in_width，in_channels]]的输入张量x和一个形状为[filter_height，    # filter_width，in_channels，out_channels]的过滤器W，返回的是卷积后的mapsdef max_pool_2x2(x):    # ksize是要执行取最值操作的切片（窗口）在各个维度上的尺寸。第一个1不清楚意义。 2 2 1分别表示2*2的pool切片大小，1是通道数    # strides是一个长度为4的一维张量，第2 3位是卷积的横向和纵向步长，第一1表示batch（只能是1把？还能同时多个）和第四个暂不明白其意义    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')

再单独解释下’VALID’/‘SAME’：

1. 卷积层中：使得输出图像尺寸等于输出图像尺寸与输入图像尺寸相同。比如这里输入尺寸是28*28，5*5的卷积核，如果步长是1，如果是参数是’VALID’，那么输出就是（28-5+1）的24*24尺寸，但是‘SAME’后，输出仍然是28*28
2. 池化层中，如果pool切片大小是3*3，‘SAME’操作，（28*28）/（3*3）就会在周围添一圈0，使得能整除，也就是向上取整（Ceiling/⌈⌉）

• deepnn函数构建一个比较深的用于该数据集分类的网络
  返回一个元组（y, keep_prob），y是接下来要输入给softmax的那些对应0-9的分类的张量
  keep_prob是dropout中的一个参数，比如1.0就是全部神经元参与连接，0.6就是百分之60的神经元参与连接

def deepnn(x):    # Tensorboard中的命名空间，with下的都属于该空间范围    with tf.name_scope('reshape'):        x_image = tf.reshape(x, [-1, 28, 28, 1])        # -1代表任何维度大小;2'3参数是reshape输入的图像大小;最后一个参数是颜色通道数。

• 第一个卷基层与池化层，将输入的灰度图映射到32个feature maps（上接def deepnn(x)）

# 给conv1一个命名空间，Tensorboard中，以下张量及op都会在conv1节点下with tf.name_scope('conv1'):    # 5*5的卷积核，第三个参数也是颜色通道数，最后一个参数是卷积核数量（会提取32个features）    # 得到32个尺寸为24*24的feature maps    W_conv1 = weight_variable([5, 5, 1, 32])    variable_summaries(W_conv1)    b_conv1 = bias_variable([32])    variable_summaries(b_conv1)    # conv2d是TensorFlow中的二维卷积函数    # 把x_image和权值向量进行卷积，加上偏置项，然后应用ReLU激活函数，最后进行max pooling。    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)   # 池化层，这里是2*2的最大池化（最大池化保留最显著的特征）with tf.name_scope('pool1'):    h_pool1 = max_pool_2x2(h_conv1)

• 第二个卷积层与池化层，

with tf.name_scope('conv2'):    # 用64个卷积核对上一卷积层的32个feature maps进行卷积    # 这64个卷积核是随意对之前的32feature maps卷积，并不一定是一对一    W_conv2 = weight_variable([5, 5, 32, 64])    variable_summaries(W_conv2)    b_conv2 = bias_variable([64])    variable_summaries(b_conv2)    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)  with tf.name_scope('pool2'):    h_pool2 = max_pool_2x2(h_conv2)

• 全连接层

# 2次降采样后，图像变为28/（2*2）的7*7的尺寸# 最后一次pool后输出的张量尺寸是7*7*64  with tf.name_scope('fc1'):    W_fc1 = weight_variable([7 * 7 * 64, 1024])    b_fc1 = bias_variable([1024])    # reshape将h_pool2的输出转换为一维张量    h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)  # 加入Dropout机制，控制复杂度，减小模型过拟合的程度  with tf.name_scope('dropout'):    keep_prob = tf.placeholder(tf.float32)    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)  # 1024个features映射到10个分类的得分（之后在用softmax处理）  with tf.name_scope('fc2'):    W_fc2 = weight_variable([1024, 10])    b_fc2 = bias_variable([10])    y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2  # tf.nn.dropout操作除了可以屏蔽神经元的输出外，还会自动处理神经元输出值的scale。所以用dropout的时候可以不用考虑scale。  return y_conv, keep_prob

到此deepnn函数结束

    mnist = input_data.read_data_sets("MNIST_data", one_hot=True)    with tf.name_scope('input'):        x = tf.placeholder(tf.float32, [None, 784],name='xinput')        y_ = tf.placeholder(tf.float32, [None, 10],name='y_input')    y_conv, keep_prob = deepnn(x)    with tf.name_scope('loss'):        cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_,logits=y_conv))        tf.summary.scalar('loss',cross_entropy)    with tf.name_scope('adam_optimizer'):        train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)    with tf.name_scope('accuracy'):        with tf.name_scope('correct_prediction'):            correct_prediction = tf.equal(tf.argmax(y_conv, 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)    # 合并所有的summary，之后一起存入磁盘    merged = tf.summary.merge_all()    with tf.Session() as sess:        sess.run(tf.global_variables_initializer())        # 将Tensorboard图像的文件写到磁盘（可以设置绝对路径）        # 在FileWriter的构造函数中加入了sess.graph后，就不需要再使用add_graph函数传递graph了        # 给两个graph，所以打开tensorboard页面后，相关图会有两条线        # 观测可知模型是否适当拟合        train_writer = tf.summary.FileWriter('E:/logs/train', sess.graph)        test_writer = tf.summary.FileWriter('E:/logs/test', sess.graph)        for i in range(2001):            batch_xs,batch_ys =  mnist.train.next_batch(50)            # 训练模型            train_step.run(feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})            # 记录训练集计算的参数            train_summary = sess.run(merged,feed_dict={x: batch_xs,y_: batch_ys, keep_prob: 1.0})            # 将summary放进协议缓冲区            train_writer.add_summary(train_summary, i)            # 记录测试集计算的参数            test_batch_xs, test_batch_ys = mnist.test.next_batch(50)            test_summary = sess.run(merged, feed_dict={x: test_batch_xs, y_: test_batch_ys, keep_prob: 1.0})            test_writer.add_summary(test_summary, i)            if i % 100 == 0:                train_accuracy = accuracy.eval(feed_dict={                    x: batch_xs, y_: batch_ys, keep_prob: 1.0})                print('step %d, 训练准确度为 %g' % (i, train_accuracy))        print('最终测试 准确度 %g' % accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

代码结束

• 查看保存的graph文件：（该文件是实时更新的）

• 启动tensorboard：
  
  1. 如果是Windows，先cmd到相应盘符；然后执行命令：
  2. tensorboard –logdir=E:/logs(你的文件路径)
     
  3. 路径中 最后不加“‘ ”符号。就照着上面的格式写，反正我之前用过：’E:/logs/’、’E:/logs’、’E:\logs\’、’E:\logs’等等都是错的
  4. 如果提示找不见tensorboard命令，则去把TensorFlow下的Scripts文件路径添加到环境变量。
  5. 运行后不要关闭命令提示符窗口
  6. 浏览器输入localhost：6006即可查看tensorboard页面
  7. 如果文件夹中已有文件，打开localhost：6006后如图：
     

解决办法：多修改几次你的–logdir=后的文件路径(注意斜杠和‘)

以下是tensorboard相关截图：

• TensorBoard相关界面：（所有内容默认30秒更新一次）

1.GRAPHS概览：(左下角显示有问题，自家产品不兼容？)
可拖动可放大

2.SCALARS概览：

3.DISTRIBUTIONS参数训练过程的分布变化：

4.HISTOGRAMS概览：

详细解读见：
HISTOGRAMS解读

4.相关符号：

5.几种常见的摘要（summary）: