本文主要是介绍tensorboard tf.summary 知识点和使用说明，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
调用tensorboard命令
john@john-wang:~/Vitis-AI_1.2/DenseNet3/trainrestore/trainrestore/build$ tensorboard --logdir=tb_logs
TensorBoard
TensorFlow回调函数：tf.keras.callbacks.TensorBoard
https://www.w3cschool.cn/tensorflow_python/tf_keras_callbacks_TensorBoard.html
tf.summary.FileWriter, tf.summary.scalar, writer.add_graph, writer.add_summary
tf.keras.callbacks.TensorBoard函数
类 TensorBoard
继承自：Callback
定义在：tensorflow/python/keras/callbacks.py。
此回调为TensorBoard编写日志，该日志允许您可视化训练和测试度量的动态图形，也可以可视化模型中不同层的激活直方图。
如果您已经使用pip安装了TensorFlow，那么您应该能够从命令行启动TensorBoard：
tensorboard --logdir=/full_path_to_your_logs
参数：
log_dir：保存TensorBoard要解析的日志文件的目录的路径。
histogram_freq：频率（在epoch中），计算模型层的激活和权重直方图。如果设置为0，则不会计算直方图。必须为直方图可视化指定验证数据（或拆分）。
write_graph：是否在TensorBoard中可视化图像。当write_graph设置为True时，日志文件可能会变得非常大。
write_grads：是否在TensorBoard中可视化渐变直方图。 histogram_freq必须大于0。
batch_size：用以直方图计算的传入神经元网络输入批的大小。
write_images：是否在TensorBoard中编写模型权重以显示为图像。
embeddings_freq：将保存所选嵌入层的频率（在epoch中）。如果设置为0，则不会计算嵌入。要在TensorBoard的嵌入选项卡中显示的数据必须作为embeddings_data传递。
embeddings_layer_names：要关注的层名称列表。如果为None或空列表，则将监测所有嵌入层。
embeddings_metadata：将层名称映射到文件名的字典，其中保存了此嵌入层的元数据。如果相同的元数据文件用于所有嵌入层，则可以传递字符串。
embeddings_data：要嵌入在embeddings_layer_names指定的层的数据。Numpy数组（如果模型有单个输入）或Numpy数组列表（如果模型有多个输入）。
update_freq：‘batch’或’epoch’或整数。使用’batch’时，在每个batch后将损失和指标写入TensorBoard。这同样适用’epoch’。如果使用整数，比方说1000，回调将会在每1000个样本后将指标和损失写入TensorBoard。请注意，过于频繁地写入TensorBoard会降低您的训练速度。
可能引发的异常：
基本操作
定一个writer（log位置），用来写summary结果：writer = tf.summary.FileWriter("./resource/logdir", sess.graph)
对要统计的变量使用summary操作：比如 tf.summary.scalar(“accuarcy”, accuracy)
对精确度的统计，第一个参数是名字，第二个参数是变量名
把所有summary操作merge起来： merged = tf.summary.merge_all()
执行过程中fetch merged获得想要的变量值： summary, _ = sess.run([merged, step], feed_dict={x: batch_xs, y_: batch_ys})
把第i次迭代的结果summary添加到train_writer： writer.add_summary(summary, i)
关闭写 writer.close()
启动tensorboard
windows：进入{path}/Anaconda/Scripts，执行 ./tensorboard.exe --logdir={path}/resource/logdir/
ubuntu：进入{path}/Anaconda/envs/tensorflow/bin，执行 ./tensorboard --logdir={path}/resource/logdir/
根据提示，访问网页即可结果
【TensorFlow】TensorBoard的使用系列文章，向作者 duanlianvip表示感谢！
https://blog.csdn.net/duanlianvip/article/details/98498826
TensorBoard是一个可视化工具，它可以用来展示网络图、张量的指标变化、张量的分布情况等。特别是在训练网络的时候，我们可以设置不同的参数（比如：权重W、偏置B、卷积层数、全连接层数等），使用TensorBoader可以很直观的帮我们进行参数的选择。
本系列文章一共四篇，由浅入深，以常见的Mnist数据集为实验对象，从实现最简单TensorBoard开始，逐步增加参数、复杂度，最后实现使用TensorBoard工具可视化调参的功能。
TensorBoard的程序需要注意以下几点：
设置保存路径：tenboard_dir = ‘./tensorboard/test1/’
进入test1文件夹的上一层文件夹，在DOS窗口运行命令：tensorboard --logdir=./test1
第一个mnist_board_1.py程序如下
import os
import tensorflow as tf
LOGDIR = './mnist'
mnist = tf.contrib.learn.datasets.mnist.read_data_sets(train_dir=LOGDIR + 'data', one_hot=True)
## 定义基本卷积层
def conv_layer(input, size_in, size_out):w = tf.Variable(tf.truncated_normal([5, 5, size_in, size_out], stddev=0.1))b = tf.Variable(tf.constant(0.1, shape=[size_out]))conv = tf.nn.conv2d(input, w, strides=[1, 1, 1, 1], padding='SAME')act = tf.nn.relu(conv + b)return tf.nn.max_pool(act, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')## 定义基本连接层
def fc_layer(input, size_in, size_out):w = tf.Variable(tf.truncated_normal([size_in, size_out], stddev=0.1))b = tf.Variable(tf.constant(0.1, shape=[size_out]))act = tf.nn.relu(tf.matmul(input, w) + b)return actdef mnist_model(learning_rate, use_two_conv, use_two_fc, hparam):tf.reset_default_graph()sess = tf.Session()## 预定输入参数# setup placeholders, and reshape the datax = tf.placeholder(tf.float32, shape=[None, 784])x_image = tf.reshape(x, [-1, 28, 28, 1])y = tf.placeholder(tf.float32, shape=[None, 10])## 定义双卷积层if use_two_conv:conv1 = conv_layer(x_image, 1, 32)conv_out = conv_layer(conv1, 32, 64)else:conv1 = conv_layer(x_image, 1, 64)conv_out = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')flattened = tf.reshape(conv_out, [-1, 7 * 7 * 64])## 定义双连接层if use_two_fc:fc1 = fc_layer(flattened, 7 * 7 * 64, 1024)embedding_input = fc1embedding_size = 1024logits = fc_layer(fc1, 1024, 10)else:embedding_input = flattenedembedding_size = 7 * 7 * 64logits = fc_layer(flattened, 7 * 7 * 64, 10)## 求最小lossxent = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y))train_step = tf.train.AdamOptimizer(learning_rate).minimize(xent)## 求精确度 correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))emdedding = tf.Variable(tf.zeros([1024, embedding_size]))assignment = emdedding.assign(embedding_input)## 初始化全局变量sess.run(tf.global_variables_initializer())# 保存路径tenboard_dir = './tensorboard/test1/'# 指定一个文件用来保存图writer = tf.summary.FileWriter(tenboard_dir + hparam)# 把图add进去writer.add_graph(sess.graph)## 运行2000次，每次100for i in range(2001):batch = mnist.train.next_batch(100)sess.run(train_step, feed_dict={x: batch[0], y: batch[1]})## 定义参数
def make_hparam_string(learning_rate, use_two_fc, use_two_conv):conv_param = 'conv=2' if use_two_conv else 'conv=1'fc_param = 'fc=2' if use_two_fc else 'fc=1'return 'lr_%.0E,%s,%s' % (learning_rate, conv_param, fc_param)def main():# You can try adding some more learning ratesfor learning_rate in [1E-4]:# Include 'False' as a value to try different model architectures.for use_two_fc in [True]:for use_two_conv in [True]:# Construct a hyperparameter string for each one(example: 'lr_1E-3,fc=2,conv=2')hparam = make_hparam_string(learning_rate, use_two_fc, use_two_conv)print('Starting run for %s' % hparam)# Actually run with the new settingsmnist_model(learning_rate, use_two_fc, use_two_conv, hparam)if __name__ == '__main__':main()
改进：加上name值，方便在tensorboard里面查看
def conv_layer(input, size_in, size_out, name=‘conv’):
# 定义名字作用域
with tf.name_scope(name):
w = tf.Variable(tf.truncated_normal([5, 5, size_in, size_out], stddev=0.1), name=‘W’)
b = tf.Variable(tf.constant(0.1, shape=[size_out]), name=‘B’)
conv = tf.nn.conv2d(input, w, strides=[1, 1, 1, 1], padding=‘SAME’)
act = tf.nn.relu(conv + b)
# 分布情况：在训练过程中查看分布情况
tf.summary.histogram(‘weights’, w)
tf.summary.histogram(‘biases’, b)
tf.summary.histogram(‘activations’, act)
return tf.nn.max_pool(act, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding=‘SAME’)
def mnist_model(learning_rate, use_two_conv, use_two_fc, hparam):
tf.reset_default_graph()
sess = tf.Session()
# setup placeholders, and reshape the data
x = tf.placeholder(tf.float32, shape=[None, 784], name=‘x’)
x_image = tf.reshape(x, [-1, 28, 28, 1])
# 显示当前的输入：数据集中的图像
tf.summary.image(‘input’, x_image, 3)
y = tf.placeholder(tf.float32, shape=[None, 10], name=‘labels’)
conv1 = conv_layer(x_image, 1, 32, ‘conv1’)
conv_out = conv_layer(conv1, 32, 64, ‘conv2’)
flattened = tf.reshape(conv_out, [-1, 7 * 7 * 64])
with tf.name_scope(‘loss’):
xent = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y), name=‘loss’)
# 指标变化：随着网络的迭代，loss值的变化
tf.summary.scalar(‘loss’, xent)
with tf.name_scope(‘train’):
train_step = tf.train.AdamOptimizer(learning_rate).minimize(xent)
with tf.name_scope(‘accuracy’):
correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 指标变化：随着迭代进行，精度的变化情况
tf.summary.scalar(‘accuracy’, accuracy)
把所有要显示的参数聚在一起
summ = tf.summary.merge_all()
saver = tf.train.Saver()
sess.run(tf.global_variables_initializer())
# 保存路径
tenboard_dir = ‘./tensorboard/test3/’
指定一个文件用来保存图
**writer = tf.summary.FileWriter(tenboard_dir + hparam)**
# 把图add进去
**writer.add_graph(sess.graph)**
for i in range(2001):
batch = mnist.train.next_batch(100)
# 每迭代5次对结果进行保存
if i % 5 == 0:
[train_accuracy, s] = sess.run([accuracy, summ], feed_dict={x: batch[0], y: batch[1]})
writer.add_summary(s, i)
sess.run(train_step, feed_dict={x: batch[0], y: batch[1]})
def main():
# You can try adding some more learning rates
for learning_rate in [1E-4]:
Actually run with the new settings
mnist_model(learning_rate, use_two_fc, use_two_conv, hparam)
if name == ‘main’:
main()
logdir = log_dir(“logreg”)
file_writer = tf.summary.FileWriter(logdir, tf.get_default_graph())
tensorboard --logdir=/full_path_to_your_logs
参数：
log_dir：保存TensorBoard要解析的日志文件的目录的路径。
histogram_freq：频率（在epoch中），计算模型层的激活和权重直方图。如果设置为0，则不会计算直方图。必须为直方图可视化指定验证数据（或拆分）。
write_graph：是否在TensorBoard中可视化图像。当write_graph设置为True时，日志文件可能会变得非常大。
write_grads：是否在TensorBoard中可视化渐变直方图。 histogram_freq必须大于0。
batch_size：用以直方图计算的传入神经元网络输入批的大小。
write_images：是否在TensorBoard中编写模型权重以显示为图像。
embeddings_freq：将保存所选嵌入层的频率（在epoch中）。如果设置为0，则不会计算嵌入。要在TensorBoard的嵌入选项卡中显示的数据必须作为embeddings_data传递。
embeddings_layer_names：要关注的层名称列表。如果为None或空列表，则将监测所有嵌入层。
embeddings_metadata：将层名称映射到文件名的字典，其中保存了此嵌入层的元数据。如果相同的元数据文件用于所有嵌入层，则可以传递字符串。
embeddings_data：要嵌入在embeddings_layer_names指定的层的数据。Numpy数组（如果模型有单个输入）或Numpy数组列表（如果模型有多个输入）。
update_freq：‘batch’或’epoch’或整数。使用’batch’时，在每个batch后将损失和指标写入TensorBoard。这同样适用’epoch’。如果使用整数，比方说1000，回调将会在每1000个样本后将指标和损失写入TensorBoard。请注意，过于频繁地写入TensorBoard会降低您的训练速度。
官方提供的使用例程summary
指定一个文件用来保存图
writer = tf.summary.FileWriter(tenboard_dir + hparam)
# 把图add进去
writer.add_graph(sess.graph)
for i in range(iter_num):batch = mnist.train.next_batch(100)# 每迭代5次对结果进行保存if i % 5 == 0:[train_accuracy, s] = sess.run([accuracy, summ], feed_dict={x: batch[0], y: batch[1]})writer.add_summary(s, i)
import_meta_graph官方提供的使用例程：
Create a saver.
saver = tf.train.Saver(...variables...)Remember the training_op we want to run by adding it to a collection.
tf.add_to_collection('train_op', train_op)
sess = tf.Session()
for step in xrange(1000000):sess.run(train_op)if step % 1000 == 0:# Saves checkpoint, which by default also exports a meta_graph# named 'my-model-global_step.meta'.saver.save(sess, 'my-model', global_step=step)with tf.Session() as sess:new_saver = tf.train.import_meta_graph('my-save-dir/my-model-10000.meta')new_saver.restore(sess, 'my-save-dir/my-model-10000')# tf.get_collection() returns a list. In this example we only want the# first one.train_op = tf.get_collection('train_op')[0]for step in xrange(1000000):sess.run(train_op)
这篇关于tensorboard tf.summary 知识点和使用说明的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
