Tensorflow API中包含系列生成summary数据的API接口,这些函数将汇总信息存放在protobuf中,以字符串形式表达。
对标量数据汇总和记录使用tf.summary.scalar,函数格式如下:
- tf.summary.scalar(tags, values, collections=None, name=None)
使用tf.summary.histogram直接记录变量var的直方图,输出带直方图的汇总的protobuf,函数格式如下:
- tf.summary.histogram(tag, values, collections=None, name=None)
输出带图像的probuf,汇总数据的图像的的形式如下: ' tag /image/0', ' tag /image/1', etc.,如:input/image/0等
- tf.summary.image(tag, tensor, max_images=3, collections=None, name=None)
tf.summary.merge(inputs, collections=None, name=None)
合并默认图形中的所有汇总:
- tf.summaries.merge_all(key='summaries')
将汇总的protobuf写入到event文件中去的相关的类: SummaryWriter是一个类,它可以调用以下成员函数来往event文件中添加相关的数据 addsummary(), add sessionlog(), add_event(), or add_graph()
- tf.summary.FileWriter
这里注意,计算图形的信息通过add_graph写入到event文件中。
- # coding=utf-8
- import tensorflow as tf
- """
- 首先载入Tensorflow,并设置训练的最大步数为1000,学习率为0.001,dropout的保留比率为0.9。
- 同时,设置MNIST数据下载地址data_dir和汇总数据的日志存放路径log_dir。
- 这里的日志路径log_dir非常重要,会存放所有汇总数据供Tensorflow展示。
- """
- from tensorflow.examples.tutorials.mnist import input_data
- max_step = 1000
- learning_rate = 0.001
- dropout = 0.9
- data_dir = '/tmp/tensorflow/mnist/input_data'
- log_dir = 'tmp/tensorflow/mnist/logs/mnist_with_summaries'
- # 使用input_data.read_data_sets下载MNIST数据,并创建Tensorflow的默认Session
- mnist = input_data.read_data_sets(data_dir, one_hot=True)
- sess = tf.InteractiveSession()
- """
- 为了在TensorBoard中展示节点名称,设计网络时会常使用tf.name_scope限制命名空间,
- 在这个with下所有的节点都会自动命名为input/xxx这样的格式。
- 定义输入x和y的placeholder,并将输入的一维数据变形为28×28的图片存储到另一个tensor,
- 这样就可以使用tf.summary.image将图片数据汇总给TensorBoard展示了。
- """
- with tf.name_scope('input'):
- x = tf.placeholder(tf.float32, [None, 784], name='x_input')
- y = tf.placeholder(tf.float32, [None, 10], name='y_input')
- with tf.name_scope('input_reshape'):
- image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
- tf.summary.image('input', image_shaped_input, 10)
- # 定义神经网络模型参数的初始化方法,
- # 权重依然使用常用的truncated_normal进行初始化,偏置则赋值为0.1
- def weight_variable(shape):
- initial = tf.truncated_normal(shape, stddev=0.1)
- return tf.Variable(initial)
- def bias_variable(shape):
- initial = tf.constant(0.1, shape=shape)
- return tf.Variable(initial)
- # 定义对Variable变量的数据汇总函数
- """
- 计算出Variable的mean,stddev,max和min,
- 对这些标量数据使用tf.summary.scalar进行记录和汇总。
- 同时,使用tf.summary.histogram直接记录变量var的直方图。
- """
- def variable_summaries(var):
- with tf.name_scope('summaries'):
- mean = tf.reduce_mean(var)
- tf.summary.scalar('mean', mean)
- with tf.name_scope('stddev'):
- stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
- tf.summary.scalar('stddev', stddev)
- tf.summary.scalar('max', tf.reduce_max(var))
- tf.summary.scalar('min', tf.reduce_min(var))
- tf.summary.histogram('histogram', var)
- # 设计一个MLP多层神经网络来训练数据,在每一层中都会对模型参数进行数据汇总。
- """
- 定一个创建一层神经网络并进行数据汇总的函数nn_layer。
- 这个函数的输入参数有输入数据input_tensor,输入的维度input_dim,输出的维度output_dim和层名称layer_name,激活函数act则默认使用Relu。
- 在函数内,显示初始化这层神经网络的权重和偏置,并使用前面定义的variable_summaries对variable进行数据汇总。
- 然后对输入做矩阵乘法并加上偏置,再将未进行激活的结果使用tf.summary.histogram统计直方图。
- 同时,在使用激活函数后,再使用tf.summary.histogram统计一次。
- """
- def nn_layer(input_tensor, input_dim, output_dim, layer_name,act=tf.nn.relu):
- with tf.name_scope(layer_name):
- with tf.name_scope('weight'):
- weights = weight_variable([input_dim, output_dim])
- variable_summaries(weights)
- with tf.name_scope('biases'):
- biases = bias_variable([output_dim])
- variable_summaries(biases)
- with tf.name_scope('Wx_plus_b'):
- preactivate = tf.matmul(input_tensor, weights) + biases
- tf.summary.histogram('pre_activations', preactivate)
- activations = act(preactivate, name='actvations')
- tf.summary.histogram('activations', activations)
- return activations
- """
- 使用刚定义好的nn_layer创建一层神经网络,输入维度是图片的尺寸(784=24×24),输出的维度是隐藏节点数500.
- 再创建一个Droput层,并使用tf.summary.scalar记录keep_prob。然后再使用nn_layer定义神经网络的输出层,激活函数为全等映射,此层暂时不使用softmax,在后面会处理。
- """
- hidden1 = nn_layer(x, 784, 500, 'layer1')
- with tf.name_scope('dropout'):
- keep_prob = tf.placeholder(tf.float32)
- tf.summary.scalar('dropout_keep_probability', keep_prob)
- dropped = tf.nn.dropout(hidden1, keep_prob)
- y1 = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)
- """
- 这里使用tf.nn.softmax_cross_entropy_with_logits()对前面输出层的结果进行softmax处理并计算交叉熵损失cross_entropy。
- 计算平均损失,并使用tf.summary.saclar进行统计汇总。
- """
- with tf.name_scope('cross_entropy'):
- diff = tf.nn.softmax_cross_entropy_with_logits(logits=y1, labels=y)
- with tf.name_scope('total'):
- cross_entropy = tf.reduce_mean(diff)
- tf.summary.scalar('cross_entropy', cross_entropy)
- """
- 使用Adma优化器对损失进行优化,同时统计预测正确的样本数并计算正确率accuray,
- 再使用tf.summary.scalar对accuracy进行统计汇总。
- """
- with tf.name_scope('train'):
- train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
- with tf.name_scope('accuracy'):
- with tf.name_scope('correct_prediction'):
- correct_prediction = tf.equal(tf.argmax(y1, 1), tf.arg_max(y, 1))
- with tf.name_scope('accuracy'):
- accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
- tf.summary.scalar('accuracy', accuracy)
- """
- 由于之前定义了非常多的tf.summary的汇总操作,一一执行这些操作态麻烦,
- 所以这里使用tf.summary.merger_all()直接获取所有汇总操作,以便后面执行。
- 然后,定义两个tf.summary.FileWrite(文件记录器)在不同的子目录,分别用来存放训练和测试的日志数据。
- 同时,将Session的计算图sess.graph加入训练过程的记录器,这样在TensorBoard的GRAPHS窗口中就能展示整个计算图的可视化效果。
- 最后使用tf.global_variables_initializer().run()初始化全部变量。
- """
- merged = tf.summary.merge_all()
- train_writer = tf.summary.FileWriter(log_dir + '/train', sess.graph)
- test_writer = tf.summary.FileWriter(log_dir + '/test')
- tf.global_variables_initializer().run()
- """
- 定义feed_dict的损失函数。
- 该函数先判断训练标记,如果训练标记为true,则从mnist.train中获取一个batch的样本,并设置dropout值;
- 如果训练标记为False,则获取测试数据,并设置keep_prob为1,即等于没有dropout效果。
- """
- def feed_dict(train):
- if train:
- xs, ys = mnist.train.next_batch(100)
- k = dropout
- else:
- xs, ys = mnist.test.images, mnist.test.labels
- k = 1.0
- return {x: xs, y: ys, keep_prob: k}
- # 实际执行具体的训练,测试及日志记录的操作
- """
- 首先,使用tf.train.Saver()创建模型的保存器。
- 然后,进入训练的循环中,每隔10步执行一次merged(数据汇总),accuracy(求测试集上的预测准确率)操作,
- 并使应test_write.add_summary将汇总结果summary和循环步数i写入日志文件;
- 同时每隔100步,使用tf.RunOption定义Tensorflow运行选项,其中设置trace_level为FULL——TRACE,
- 并使用tf.RunMetadata()定义Tensorflow运行的元信息,
- 这样可以记录训练是运算时间和内存占用等方面的信息.
- 再执行merged数据汇总操作和train_step训练操作,将汇总summary和训练元信息run_metadata添加到train_writer.
- 平时,则执行merged操作和train_step操作,并添加summary到trian_writer。
- 所有训练全部结束后,关闭train_writer和test_writer。
- """
- saver = tf.train.Saver()
- for i in range(max_step):
- if i % 10 == 0:
- summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
- test_writer.add_summary(summary, i)
- print('Accuracy at step %s: %s' % (i, acc))
- else:
- if i % 100 == 99:
- run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
- run_metadata = tf.RunMetadata()
- summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True),
- options=run_options, run_metadata=run_metadata)
- train_writer.add_run_metadata(run_metadata, 'step%03d' % i)
- train_writer.add_summary(summary, i)
- saver.save(sess, log_dir+"/model.ckpt", i)
- print('Adding run metadata for', i)
- else:
- summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
- train_writer.add_summary(summary, i)
- train_writer.close()
- test_writer.close()
之后切换到Linux终端命令下,执行TensorBoard程序,并通过--logdir指定TensorFlow日志路径,然后哦=TensorBoard就可以自动生成所有汇总数据可视化的结果来。
- tensorboard --logdir=/tmp/tensorflow/mnist/logs/mnist_with_summaries
执行上面的命令后,出现一条提示信息,复制其中的网址到浏览器,就可以看到数据可视化的图标来。
- Starting TensorBoard b'39' on port 6006
- (You can naviiage to http://0.0.0.0.6006)
以下是tensorFlow1.0以下版本的方式,可供其他版本的同学借鉴下:
使用tf.scalar_summary来收集想要显示的变量,使用scalar_summary的时候,注意tag和tensor的shape一致,tf.scalar_summary(节点名称,获取的数据),例如:下文代码实例中的loss以及accurary都可以使用。
各层网络权重、偏置的分布,用histogram_summary函数。
historgram_summary用于生成分布图,也可以用saclar_summary记录存数值;前者在history一栏里查看分布图,后者在event一栏中查看数值变化情况。
当需要获取的数据较多的时候,我们一个一个去保存获取到的数据,以及一个一个去运行会显得比较麻烦。tensorflow提供了一个简单的方法,就是合并所有的summary data的获取函数,保存和运行只对一个对象进行操作。比如,写入默认路径中,比如/tmp/mnist_logs (by default)
定义一个summury op, 用来汇总多个变量
- merged = tf.merge_all_summaries()
得到一个summy writer,指定写入路径
- tf.train.SummaryWriter()
添加写入
- train_writer.add_summary()
以下为完整实例代码:
- """
- Please note, this code is only for python 3+. If you are using python 2+, please modify the code accordingly.
- """
- import tensorflow as tf
- import numpy as np
- def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):
- # add one more layer and return the output of this layer
- layer_name = 'layer%s' % n_layer
- with tf.name_scope(layer_name):
- with tf.name_scope('weights'):
- Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')
- tf.histogram_summary(layer_name + '/weights', Weights)
- with tf.name_scope('biases'):
- biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')
- tf.histogram_summary(layer_name + '/biases', biases)
- with tf.name_scope('Wx_plus_b'):
- Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)
- if activation_function is None:
- outputs = Wx_plus_b
- else:
- outputs = activation_function(Wx_plus_b, )
- tf.histogram_summary(layer_name + '/outputs', outputs)
- return outputs
- # Make up some real data
- x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
- noise = np.random.normal(0, 0.05, x_data.shape)
- y_data = np.square(x_data) - 0.5 + noise
- # define placeholder for inputs to network
- with tf.name_scope('inputs'):
- xs = tf.placeholder(tf.float32, [None, 1], name='x_input')
- ys = tf.placeholder(tf.float32, [None, 1], name='y_input')
- # add hidden layer
- l1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)
- # add output layer
- prediction = add_layer(l1, 10, 1, n_layer=2, activation_function=None)
- # the error between prediciton and real data
- with tf.name_scope('loss'):
- loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
- reduction_indices=[1]))
- tf.scalar_summary('loss', loss)
- with tf.name_scope('train'):
- train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
- sess = tf.Session()
- merged = tf.merge_all_summaries()
- writer = tf.train.SummaryWriter("logs/", sess.graph)
- # important step
- sess.run(tf.initialize_all_variables())
- for i in range(1000):
- sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
- if i % 50 == 0:
- result = sess.run(merged, feed_dict={xs: x_data, ys: y_data})
- writer.add_summary(result, i)
接下来,程序开始运行以后,跑到shell里运行,打开终端,输入如下语句:
cd到指定的文件下
tensorboard --logdir = ‘logs/’
开始运行tensorboard。接下来打开浏览器,进入127.0.0.1:6006 就能够看到loss值在训练中的变化了。