真是出來混遲早是要還的，之前一直拒絕學習Tensorboard，因為實在是有替代方案，直到發現到了不得不用的地步。下面主要介紹一下怎麼使用Tensorboard來可視化參數，損失以及準確率等變數。

1.可視化計算圖

下面是一個單層網路的手寫體分類示例：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

batch_size = 100
n_batch = mnist.train.num_examples // batch_size

with tf.name_scope(input):
x = tf.placeholder(dtype=tf.float32, shape=[None, 784], name=x_input)
y = tf.placeholder(dtype=tf.int32, shape=[None, 10], name=y_input)

with tf.name_scope(layer):
with tf.name_scope(weights):
W = tf.Variable(tf.random_uniform([784, 10]), name=w)
with tf.name_scope(biases):
b = tf.Variable(tf.zeros(shape=[10], dtype=tf.float32), name=b)
with tf.name_scope(softmax):
prediction = tf.nn.softmax(tf.nn.xw_plus_b(x, W, b))
with tf.name_scope(Loss):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
with tf.name_scope(train):
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
with tf.name_scope(acc):
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
writer = tf.summary.FileWriter(logs/, sess.graph)
for epoch in range(20):
for batch in range(n_batch):
batch_x, batch_y = mnist.train.next_batch(batch_size)
_, accuracy = sess.run([train_step, acc], feed_dict={x: batch_x, y: batch_y})
if batch % 50 == 0:
print("### Epoch: {}, batch: {} acc on train: {}".format(epoch, batch, accuracy))
accuracy = sess.run(acc, feed_dict={x: mnist.test.images, y: mnist.test.labels})
print("### Epoch: {}, acc on test: {}".format(epoch, accuracy))

其計算圖的可視化結果如下所示：

其中圖中灰色的圓角矩形就是代碼中的一個個命名空間tf.name_scope()，而且命名空間是可以嵌套定義的。從計算圖中，可以清楚的看到各個操作的詳細信息，以及數據量的形狀和流向等。這一操作的實現，就全靠第31行代碼。執行完這句代碼後，會在你指定路徑（此處為代碼所在路徑的logs文件夾中）中生成一個類似名為events.out.tfevents.1561711787的文件。其打開步驟如下：

  • 首先需要安裝tensorflow和tensorboard；
  • 打開命令行（Linux終端)，進入到log的上一層目錄；
  • 運行命令tensorboard --logdir=logs
  • 如果成功，則會有以下提示：
    • TensorBoard 1.5.1 at http://DESKTOP-70LJI62:6006 (Press CTRL+C to quit)

  • 如果有任何報錯，最直接的辦法就是卸載tensorflow重新安裝，若是有多個環境建議用Anaconda管理
  • 將後面的地址粘貼到瀏覽器中（最好是谷歌），然後就能看到了，可以雙擊各個結點查看詳細信息

2.可視化參數

可視化網路計算圖不是太有意義，而更有意義的是在訓練網路的同時能夠看到一些參數的變換曲線圖（如：準確率，損失等），以便於更好的分析網路。

要實現這個操作，只需要添加對應的tf.summary.scalar(acc, acc)語句即可，然後最後合併所有的summary即可。但是，通常情況下網路層的參數都不是標量，而是矩陣這類的；對於這種變數，通常的做法就是計算其最大、最小、平均值以及直方圖等。由於對於很多參數都會用到同樣的這幾個操作，所以在這裡就統一定義函數：

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)

然後在需要可視化參數的地方，調用這個函數即可。

mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

batch_size = 100

n_batch = mnist.train.num_examples // batch_size
with tf.name_scope(input):
x = tf.placeholder(dtype=tf.float32, shape=[None, 784], name=x_input)
y = tf.placeholder(dtype=tf.int32, shape=[None, 10], name=y_input)

with tf.name_scope(layer):
with tf.name_scope(weights):
W = tf.Variable(tf.random_uniform([784, 10]), name=w)
variable_summaries(W)####
with tf.name_scope(biases):
b = tf.Variable(tf.zeros(shape=[10], dtype=tf.float32), name=b)
variable_summaries(b)
with tf.name_scope(softmax):
prediction = tf.nn.softmax(tf.nn.xw_plus_b(x, W, b))
with tf.name_scope(Loss):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
tf.summary.scalar(loss, loss)
with tf.name_scope(train):
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
with tf.name_scope(acc):
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.summary.scalar(acc, acc)

merged = tf.summary.merge_all()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
writer = tf.summary.FileWriter(logs/, sess.graph)
for epoch in range(20):
for batch in range(n_batch):
batch_x, batch_y = mnist.train.next_batch(batch_size)
_, summary, accuracy = sess.run([train_step, merged, acc], feed_dict={x: batch_x, y: batch_y})
if batch % 50 == 0:
print("### Epoch: {}, batch: {} acc on train: {}".format(epoch, batch, accuracy))
writer.add_summary(summary, epoch * n_batch + batch)
accuracy = sess.run(acc, feed_dict={x: mnist.test.images, y: mnist.test.labels})
print("### Epoch: {}, acc on test: {}".format(epoch, accuracy))

如上代碼中的第14、17、22、28行所示。最後，在每次迭代的時候，將合併後的merged進行計算並寫道本地文件中（第40行）。最後，按照上面的方法，用tensorboard打開即可。

註：這個不用等到整個過程訓練完才能可視化，而是你在訓練過程中就能看到的，而且是每30秒根據生成的數據刷新一次，還是很Nice的。

3. 遠程tensorboard

由於條件所限，通常在進行深度學習時都是在遠處的伺服器上進行訓練的，所以此時該怎麼在本地電腦可視化呢？答案是利用SSH的方向隧道技術，將伺服器上的埠數據轉發到本地對應的埠，然後就能在本地方法伺服器上的日誌數據了。

從上面連接成功後的提示可以知道，tensorboard所用到的埠時6006（沒準兒哪天就換了），所以我們只需將該埠的數據轉發到本地即可。

  • ssh -L 16006:127.0.0.1:6006 [email protected]
  • 其中16006是本地的任意埠，只要不和本地應用有衝突就行，隨便寫；
  • 後面的account指你伺服器的用戶名，緊接是Ip

windows的話，直接在命令行裏執行這條令就行（也不知道啥時候windows命令行也支持ssh了）

在登陸成功後（此時已遠程登陸了伺服器），同樣進入到logs目錄的上層目錄，然後運行tensorboard --logdir=logs；最後，在本地瀏覽器中運行127.0.0.1:16006即可。

參考：

遠程訪問Tensorboard


推薦閱讀：
相關文章