Tensorflow之TensorBoard的使用

前言

这是对TensorBoard的简单使用 。

简介

Tensorboard是一个web应用程序套件，用于检查tensorflow程序的运行情况。可以直观了解训练情况。

使用

使用summary op。用上一篇文章的例子，用tensorboard记录cost的变化。

加入summary

把待观察的op加入到summary op 的scalar中

# 创建summary来观察损失值tf.summary.scalar("loss", cost)

合并summary op

如果summary op过多需要合并一下。

merged_summary_op = tf.summary.merge_all()

指定保存log文件路径

其实tensorboard的原理就是程序运行完了之后产生log文件，这个东西就是让log数据可视化的显示出来。
那么既然是文件路径的话我们要指定保存文件路径。

logs_path="./example"

会话中执行

首先弄出一个保存的op，使用的是summary.FileWriter保存默认图。

    #op 把需要的记录数据写入文件    summary_writer=tf.summary.FileWriter(logs_path,graph=tf.get_default_graph())

执行merged_summary_op

summary=sess.run(merged_summary_op,feed_dict={X: train_X, Y: train_Y})summary_writer.add_summary(summary, epoch * n_samples)

详细代码

# -*- coding: utf-8 -*-# @Time    : 2017/12/5 上午9:28# @Author  : SkullFang# @Email   : [e-mail]# @File    : demo2.py# @Software: PyCharmimport tensorflow as tfimport  numpy as npimport matplotlib.pyplot as pltimport random#训练参数learning_rate=0.01traing_epochs=1000display_step=50logs_path="./example"# 训练数据train_X = np.asarray([3.3, 4.4, 5.5, 6.71, 6.93, 4.168, 9.779, 6.182, 7.59, 2.167,                         7.042, 10.791, 5.313, 7.997, 5.654, 9.27, 3.1])train_Y = np.asarray([1.7, 2.76, 2.09, 3.19, 1.694, 1.573, 3.366, 2.596, 2.53, 1.221,                         2.827, 3.465, 1.65, 2.904, 2.42, 2.94, 1.3])n_samples = train_X.shape[0]#定义两个变量的op占位符X=tf.placeholder("float")Y=tf.placeholder("float")#初始化w,bW=tf.Variable(random.random(),name="weight")b=tf.Variable(random.random(),name="bias")#构造线性模型pred=tf.add(tf.multiply(X,W),b)#均方误差#reduce_sum是对每一项进行加和#reduce_sum(x,0)是每一列进行加和，reduce_sum(x,1)是对每一行进行加和cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)#梯度下降optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)#初始化所有的变量init=tf.global_variables_initializer()# 创建summary来观察损失值tf.summary.scalar("loss", cost)merged_summary_op = tf.summary.merge_all()#以上都是构造op，只是为了告诉tensorflow 模型的数据流动方向#使用session 启动默认图with tf.Session() as sess:    sess.run(init) #初始化    #op 把需要的记录数据写入文件    summary_writer=tf.summary.FileWriter(logs_path,graph=tf.get_default_graph())    for epoch in range(traing_epochs):        for (x,y) in zip(train_X,train_Y):            sess.run(optimizer,feed_dict={X:train_X,Y:train_Y})        if(epoch+1) % display_step==0:            # c, summary = sess.run([cost, merged_summary_op], feed_dict={X: train_X, Y: train_Y})            c= sess.run(cost, feed_dict={X: train_X, Y: train_Y})            summary=sess.run(merged_summary_op,feed_dict={X: train_X, Y: train_Y})            summary_writer.add_summary(summary, epoch * n_samples)            # c=sess.run(cost,feed_dict={X:train_X,Y:train_Y})            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c), \                  "W=", sess.run(W), "b=", sess.run(b))    print ("optimization Finished")    training_cost = sess.run(cost,feed_dict={X:train_X,Y:train_Y})    print ("Training cost=",training_cost,"W=",sess.run(W),"b=",sess.run(b),"\n")    #画图    plt.plot(train_X,train_Y,'ro',label="Original data")    plt.plot(train_X,sess.run(W)*train_X+sess.run(b),label="Fitted line")    plt.legend()    plt.show()    plt.savefig('linear_train.png')    # 测试数据    test_X = np.asarray([6.83, 4.668, 8.9, 7.91, 5.7, 8.7, 3.1, 2.1])    test_Y = np.asarray([1.84, 2.273, 3.2, 2.831, 2.92, 3.24, 1.35, 1.03])    print("Testing... (Mean square loss Comparison)")    testing_cost = sess.run(        tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * test_X.shape[0]),        feed_dict={X: test_X, Y: test_Y})  # same function as cost above    print("Testing cost=", testing_cost)    print("Absolute mean square loss difference:", abs(        training_cost - testing_cost))    plt.plot(test_X, test_Y, 'bo', label='Testing data')    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')    plt.legend()    plt.show()    plt.savefig('linear_test.png')

效果

step1

程序运行完了之后程序目录中会多出一个sample的文件夹，里面就是我们的log文件

step2

打开自己的终端
在项目目录下面执行，记得一定是在项目目录下执行。这里就是指定log的文件夹，和端口。

tensorboard --logdir=./example --host 0.0.0.0

这是执行完的效果。
在浏览器中打开
http://0.0.0.0:6006
这就是最终的效果。我们可以看到loss的下降，说明我们学习的很好。横坐标是轮数