博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Tensorflow学习笔记3:TensorBoard可视化学习
阅读量:5274 次
发布时间:2019-06-14

本文共 4711 字,大约阅读时间需要 15 分钟。

Tensorflow学习笔记3:TensorBoard可视化学习

TensorBoard简介

Tensorflow发布包中提供了TensorBoard,用于展示Tensorflow任务在计算过程中的Graph、定量指标图以及附加数据。大致的效果如下所示, 

TensorBoard工作机制

TensorBoard 通过读取 TensorFlow 的事件文件来运行。TensorFlow 的事件文件包括了你会在 TensorFlow 运行中涉及到的主要数据。关于TensorBoard的详细介绍请参考。下面做个简单介绍。

Tensorflow的API中提供了一种叫做的操作,用于将Tensorflow计算过程的相关数据序列化成字符串Tensor。例如标量数据的图表或者梯度权重的分布。

通过来将序列化后的Summary数据保存到磁盘指定目录(通过参数logdir指定)。此外,SummaryWriter构造函数还包含了一个可选参数GraphDef,通过指定该参数,可以在TensorBoard中展示Tensorflow中的Graph(如上图所示)。

大致的代码框架如下所示:

merged_summary_op = tf.merge_all_summaries()summary_writer = tf.train.SummaryWriter('/tmp/mnist_logs', sess.graph)total_step = 0while training:    total_step += 1    session.run(training_op)    if total_step % 100 == 0:        summary_str = session.run(merged_summary_op)        summary_writer.add_summary(summary_str, total_step)

启动TensorBoard的命令如下,

python tensorflow/tensorboard/tensorboard.py --logdir=/tmp/mnist_logs

其中--logdir命令行参数指定的路径必须跟SummaryWriter的logdir参数值保持一致,TensorBoard才能够正确读取到Tensorflow的事件文件。

启动Tensorflow后,我们在浏览器中输入http://localhost:6006 即可访问TensorBoard页面了。

通过MNIST实例来验证TensorBoard

的源代码目录tensorflow/examples/tutorials/mnist目录下提供了手写数字MNIST识别样例代码。该样例代码同样包含了SummaryWriter的相关代码,我们可以使用该样例代码来验证一下TensorBoard的效果。

首先,克隆一下tensorflow的代码库到本地,

$ git clone https://github.com/tensorflow/tensorflow.git$ cd tensorflow/examples/tutorials/mnist/$ emacs fully_connected_feed.py

对fully_connected_feed.py的代码做一下下面两个地方的修改:

  1. 将29、30行的import语句修改一下

    import input_dataimport mnist
  2. 将154行的FLAGS.train_dir修改成'/opt/tensor':

    # Instantiate a SummaryWriter to output summaries and the Graph.summary_writer = tf.train.SummaryWriter('/opt/tensor', sess.graph)

样例代码准备好了,下面我们如何启动TensorBoard。

Tensorflow官方的Docker镜像提供了一个可快速使用Tensorflow的途径。不过该镜像默认启动的是jupyter。我们通过下面命令通过该镜像启动TensorBoard,并且将我们准备好的MNIST样例代码通过volume挂载到容器中。

lienhuadeMacBook-Pro:tensorflow lienhua34$ docker run -d -p 6006:6006 --name=tensorboard -v /Users/lienhua34/Programs/python/tensorflow/tensorflow/examples/tutorials/mnist:/tensorflow/mnist tensorflow/tensorflow tensorboard --logdir=/opt/tensor50eeb7282f60c10ed52d26f34feeb3472cf36d83c546357801c45e14939adf1alienhuadeMacBook-Pro:tensorflow lienhua34$ lienhuadeMacBook-Pro:tensorflow lienhua34$ docker ps -aCONTAINER ID        IMAGE                                    COMMAND                  CREATED             STATUS                   PORTS                              NAMES50eeb7282f60        tensorflow/tensorflow                    "tensorboard --logdir"   49 minutes ago      Up 4 seconds             0.0.0.0:6006->6006/tcp, 8888/tcp   tensorboard

此时,我们在浏览器中输入http://localhost:6006/ ,得到下面的效果, 

因为我们还没有运行MNIST的样例代码,所以TensorBoard提示没有数据。下面我们将进入tensorboard容器中运行MNIST的样例代码,

lienhuadeMacBook-Pro:tensorflow lienhua34$ docker exec -ti tensorboard /bin/bashroot@50eeb7282f60:/notebooks# cd /tensorflow/mnist/                                                                                                                                 root@50eeb7282f60:/tensorflow/mnist# python fully_connected_feed.py Extracting data/train-images-idx3-ubyte.gzExtracting data/train-labels-idx1-ubyte.gzExtracting data/t10k-images-idx3-ubyte.gzExtracting data/t10k-labels-idx1-ubyte.gzStep 0: loss = 2.31 (0.010 sec)Step 100: loss = 2.13 (0.007 sec)Step 200: loss = 1.90 (0.008 sec)Step 300: loss = 1.56 (0.008 sec)Step 400: loss = 1.37 (0.007 sec)Step 500: loss = 0.99 (0.005 sec)Step 600: loss = 0.82 (0.004 sec)Step 700: loss = 0.77 (0.004 sec)Step 800: loss = 0.83 (0.004 sec)Step 900: loss = 0.54 (0.004 sec)Training Data Eval:  Num examples: 55000  Num correct: 47055  Precision @ 1: 0.8555Validation Data Eval:  Num examples: 5000  Num correct: 4303  Precision @ 1: 0.8606Test Data Eval:  Num examples: 10000  Num correct: 8639  Precision @ 1: 0.8639Step 1000: loss = 0.52 (0.010 sec)Step 1100: loss = 0.58 (0.444 sec)Step 1200: loss = 0.44 (0.005 sec)Step 1300: loss = 0.42 (0.005 sec)Step 1400: loss = 0.69 (0.005 sec)Step 1500: loss = 0.43 (0.004 sec)Step 1600: loss = 0.43 (0.006 sec)Step 1700: loss = 0.39 (0.004 sec)Step 1800: loss = 0.34 (0.004 sec)Step 1900: loss = 0.34 (0.004 sec)Training Data Eval:  Num examples: 55000  Num correct: 49240  Precision @ 1: 0.8953Validation Data Eval:  Num examples: 5000  Num correct: 4506  Precision @ 1: 0.9012Test Data Eval:  Num examples: 10000  Num correct: 8987  Precision @ 1: 0.8987root@50eeb7282f60:/tensorflow/mnist# ls -l /opt/tensortotal 76-rw-r--r-- 1 root root 77059 Oct 25 14:53 events.out.tfevents.1477407177.50eeb7282f60

通过上面的运行结果,我们看到MNIST样例代码正常运行,而且在/opt/tensor目录下也生成了Tensorflow的事件文件events.out.tfevents.1477407177.50eeb7282f60。此时我们刷新一下TensorBoard的页面,看到的效果如下, 

 

如果想看到TensorBoard展示的丰富信息,可以使用mnist目录下的mnist_with_summaries.py文件。

转载于:https://www.cnblogs.com/zhangyang520/p/7967397.html

你可能感兴趣的文章
ubuntu12.04安装KDevelop
查看>>
毕业设计今日总结(一)
查看>>
转 性能分析工具汇总
查看>>
git - 搭建最简单的git server
查看>>
python-基础知识
查看>>
.net中从GridView中导出数据到excel(详细)
查看>>
IntelliJ IDEA 自动导入包的问题
查看>>
总结:Sharepoint2010 Client Object Model -- Silverlight Client
查看>>
Unable to resolve target 'android-19'
查看>>
比传统菜单更为方便的系统菜单模式-Spring.Net.Framwork春天快速开发平台-新型菜单...
查看>>
使用AngularJS 进行Hybrid App 开发已经有一年多时间了,这里做一个总结
查看>>
绝对定位与相对低位的应用
查看>>
2019.4.1 数据库连接池
查看>>
推荐的版本 lock 语句(C# 参考)
查看>>
xcode svn commit is not under version control 和 git常用指令
查看>>
【Zookeeper】源码分析之持久化(三)之FileTxnSnapLog
查看>>
angular2.0学习日记1
查看>>
2018.07.30 巴别时代
查看>>
JavaScript中的各种宽高以及位置总结
查看>>
[LeetCode]Single Number II
查看>>