如何运用Tensorboard视化

tensorflow

Google Chrome

TensorFlow的可视化工具 — tensorboard ：通过使用这个工具我们可以很直观的看到整个神经网络的结构、框架。

同时我们也可以展开看每个layer中的一些具体的结构：

通过阅读代码和之前的图片我们大概知道了此处是有一个输入层（inputs），一个隐含层（layer），还有一个输出层（output） 现在可以看看如何进行可视化.

首先从 Input 开始：

对于input我们进行如下修改： 首先，可以为xs指定名称为x_in:xs= tf.placeholder(tf.float32, [None, 1],name='x_in')然后再次对ys指定名称y_in:ys= tf.placeholder(tf.loat32, [None, 1],name='y_in')这里指定的名称将来会在可视化的图层inputs中显示出来使用with tf.name_scope('inputs')可以将xs和ys包含进来，形成一个大的图层，图层的名字就是with tf.name_scope()方法里的参数。with tf.name_scope('inputs'):    # define placeholder for inputs to network    xs = tf.placeholder(tf.float32, [None, 1])    ys = tf.placeholder(tf.float32, [None, 1])

接下来开始编辑layer ， 请看编辑前的程序片段 ：

这里的名字应该叫layer, 下面是编辑后的:def add_layer(inputs, in_size, out_size, activation_function=None):    # add one more layer and return the output of this layer    with tf.name_scope('layer'):        Weights= tf.Variable(tf.random_normal([in_size, out_size]))        # and so on...

在定义完大的框架layer之后，同时也需要定义每一个’框架‘里面的小部件：(Weights biases 和 activation function): 现在现对 Weights 定义： 定义的方法同上，可以使用tf.name.scope()方法，同时也可以在Weights中指定名称W。 即为：

接着继续定义biases ， 定义方式同上。

activation_function 的话，可以暂时忽略。因为当你自己选择用 tensorflow 中的激励函数（activation function）的时候，tensorflow会默认添加名称。 最终，layer形式如下：

效果如下：

最后编辑loss部分：将with tf.name_scope()添加在loss上方，并为它起名为loss# the error between prediciton and real datawith tf.name_scope('loss'):    loss = tf.reduce_mean(    tf.reduce_sum(    tf.square(ys - prediction),    eduction_indices=[1]    ))这句话就是“绘制” loss了， 如下：

使用with tf.name_scope()再次对train_step部分进行编辑,如下：with tf.name_scope('train'):    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)我们需要使用 tf.summary.FileWriter() (tf.train.SummaryWriter() 这种方式已经在 tf >= 0.12 版本中摒弃) 将上面‘绘画’出的图保存到一个目录中，以方便后期在浏览器中可以浏览。 这个方法中的第二个参数需要使用sess.graph ， 因此我们需要把这句话放在获取session的后面。 这里的graph是将前面定义的框架信息收集起来，然后放在logs/目录下面。

最后在你的terminal（终端）中 ，使用以下命令tensorboard --logdir logs同时将终端中输出的网址复制到浏览器中，便可以看到之前定义的视图框架了。tensorboard 还有很多其他的参数，希望大家可以多多了解, 可以使用 tensorboard --help 查看tensorboard的详细参数 最终的全部代码在这里

(1) 而且与 tensorboard 兼容的浏览器是 “Google Chrome”. 使用其他的浏览器不保证所有内容都能正常显示.(2) 同时注意, 如果使用 http://0.0.0.0:6006 网址打不开的朋友们, 请使用 http://localhost:6006, 大多数朋友都是这个问题.(3) 请确保你的 tensorboard 指令是在你的 logs 文件根目录执行的. 如果在其他目录下, 比如 Desktop 等, 可能不会成功看到图. 比如在下面这个目录, 你要 cd 到 project 这个地方执行 /project > tensorboard --logdir logs

(4) 使用 anaconda 下的 python3.5 的虚拟环境, 如果你输入 tensorboard 的指令, 出现报错: 'tensorboard' is not recognized as an internal or external command...

解决方法的关键就是需要激活TensorFlow. 管理员模式打开 Anaconda Prompt, 输入 activate tensorflow, 接着按照上面的流程执行 tensorboard 指令.