tensorboard
import tensorflow as tf
with tf.name_scope(‘graph’) as scope:

matrix1 = tf.constant([[3., 3.]], name=‘matrix1’)  # 1 row by 2 column

matrix2 = tf.constant([[2.], [2.]], name=‘matrix2’)  # 2 row by 1 column

product = tf.matmul(matrix1, matrix2, name=‘product’)
sess = tf.Session()

writer = tf.summary.FileWriter(“logs/”, sess.graph)

init = tf.global_variables_initializer()

sess.run(init)

(C:\Users\Key\Anaconda3) C:\Users\Key>activate tensorflow

(tensorflow) C:\Users\Key>tensorboard --logdir=C:/logs
TensorBoard 0.4.0rc3 at http://Key:6006 (Press CTRL+C to quit)

(tensorflow) C:\Users\Key>tensorboard --logdir=C:/log/supervisor.log
TensorBoard 0.4.0rc3 at http://Key:6006 (Press CTRL+C to quit)

TensorBoard 是用于可视化 TensorFlow 模型的训练过程的工具（the flow of tensors），在你安装 TensorFlow 的时候就已经安装了 TensorBoard。我在前面的 【TensorFlow】TensorFlow 的卷积神经网络 CNN - TensorBoard版 和 【Python | TensorBoard】用 PCA 可视化 MNIST 手写数字识别数据集 分别非常简单的介绍了一下这个工具，没有详细说明，这次来（尽可能详细的）整体说一下，而且这次也是对 前者 代码的一个升级，很大程度的改变了代码结构，将输入和训练分离开来，结构更清晰。小弟不才，如有错误，欢迎评论区指出。

全部代码和 TensorBoard 文件均在 我的 GitHub 上，你也可以从 百度网盘 下载，密码 t27f ，只不过如果以后内容更新，网盘中的内容不会更新。

Tensorboard 使用的版本为 0.1.4，对应于 TensorFlow 1.3.0，但训练代码未在 TensorFlow 1.3.0 上测试，不过应该是可以运行的。Windows 下 TensorFlow 的安装可以看 【TensorFlow】Windows10 64位下安装TensorFlow - 官方原生支持 。

更新

这里我会列出对本文的更新。

2017 年 8 月 22 日：TensorBoard 0.1.4 发布，更新界面截图。
TensorBoard 是如何工作的？

简单来说，TensorBoard 是通过一些操作（summary operations）将数据记录到文件（event files）中，然后再读取文件来完成作图的。想要在浏览器上看到 TensorBoard 页面，大概需要这几步：

summary。在定义计算图的时候，在适当的位置加上一些 summary 操作 。
merge。你很可能加了很多 summary 操作，我们需要使用 tf.summary.merge_all 来将这些 summary 操作聚合成一个操作，由它来产生所有 summary 数据。
run。在没有运行的时候这些操作是不会执行任何东西的，仅仅是定义了一下而已。在运行（开始训练）的时候，我们需要通过 tf.summary.FileWriter() 指定一个目录来告诉程序把产生的文件放到哪。然后在运行的时候使用 add_summary() 来将某一步的 summary 数据记录到文件中。
当训练完成后，在命令行使用 tensorboard --logdir=path/to/log-directory 来启动 TensorBoard，按照提示在浏览器打开页面，注意把 path/to/log-directory 替换成你上面指定的目录。

OVERVIEW

总体上，目前 TensorBoard 主要包括下面几个面板：



其中 TEXT 是 最新版（应该是 1.3）才加进去的，实验性功能，官方都没怎么介绍。除了 AUDIO（没用过）、EMBEDDINGS（还不是很熟） 和 TEXT（没用过） 这几个，这篇博客主要说剩下的几个，其他的等回头熟练了再来说，尽量避免误人子弟。

TensorBoard 的工作原理是读取模型训练时产生的 TensorFlow events 文件，这个文件包括了一些 summary 数据（就是作图时用的数据）。

SCALARS



TensorBoard 的默认打开样式


TensorBoard 打开时默认直接进入 SCALARS，并且默认使用 .* 正则表达式显示所有图（其他面板同理，下面就不再赘述），你用到的面板会在顶部导航栏直接显示，而其他用不到的（你代码中没有相关代码）则会收起到 INACTIVE 中。



SCALARS 面板主要用于记录诸如准确率、损失和学习率等单个值的变化趋势。在代码中用 tf.summary.scalar() 来将其记录到文件中。对应于我的代码中，我是使用其记录了训练准确率和损失。

训练准确率：



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))
    tf.summary.scalar('accuracy', accuracy)



全部 run 的 acuracy



  
可以看到这些曲线并不是那么平滑，这是因为我记录的步数比较少，也就是点比较少，如果每一步都记录或者间隔比较短，那么最后的文件会很大。下同


损失：



with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y)) + \
        BETA * tf.add_n([tf.nn.l2_loss(v)
                        for v in trainable_vars if not 'b' in v.name])

    tf.summary.scalar('loss', loss)



全部 run 的 loss


每个图的右下角都有 3 个小图标，第一个是查看大图，第二个是是否对 y 轴对数化，第三个是如果你拖动或者缩放了坐标轴，再重新回到原始位置。



Fit domain to data


tf.summary.scalar(name, tensor) 有两个参数：

name：可以理解为图的标题。在 GRAPHS 中则是该节点的名字
tensor：包含单个值的 tensor，说白了就是作图的时候要用的数据
在上面的图中，可以看到除了 accuracy 和 loss 外，还有一个 eval_accuracy，这个是我用来记录验证准确率的，代码中相关的部分如下：



eval_writer = tf.summary.FileWriter(LOGDIR + '/eval')

# Some other codes

eval_writer.add_summary(tf.Summary(value=[tf.Summary.Value(tag='eval_accuracy', simple_value=np.mean(test_acc))]), i)



全部 run 的 eval_accuracy


这里我是手动添加了一个验证准确率到 SCALARS 中，其实想要记录验证准确率完全不必这么做，和训练准确率不同的只是 feed 的数据不一样而已。然而由于我的显存不够一次装下整个验证集，所以我就分了两部分计算然后求平均值来得到整个验证集的准确率。如果谁有更好的方法，请给我发邮件或者在评论区评论，非常感谢 :-)

当我们有很多的 tag （图）的时候，我们可以在左上角写正则表达式来选择其中一些 tag，比如我想选择包括 accuracy 的 tag，那么我直接写上 accuracy 就可以了，右侧就会多出一个 accuracy 的 tag，显示匹配出的结果。

页面左上是 Show data download links 和 Ignore outliers in chart scaling，这两个比较好理解，第一个就是显示数据下载链接，可以把 TensorBoard 作图用的数据下载下来，点击后可以在图的右下角可以看到下载链接以及选择下载哪一个 run 的，下载格式支持 CSV 和 JSON。第二个是排除异常点，默认选中。

当我们用鼠标在图上滑过的时候可以显示出每个 run 对应的点的值，这个显示顺序是由 Tooltip sorting method 来控制的，有 default、descending（降序）、asceding （升序）和 nearest 四个选项，大家可以试试点几下。

而下面的 Smoothing 指的是作图时曲线的平滑程度，使用的是类似指数平滑的处理方法。如果不平滑处理的话，有些曲线波动很大，难以看出趋势。0 就是不平滑处理，1 就是最平滑，默认是 0.6。

Horizontal Axis 顾名思义指的是横轴的设置：

STEP：默认选项，指的是横轴显示的是训练迭代次数
RELATIVE：这个相对指的是相对时间，相对于训练开始的时间，也就是说是训练用时 ，单位是小时
WALL：指训练的绝对时间
最下面的 Runs 列出了各个 run，你可以选择只显示某一个或某几个。

IMAGES

如果你的模型输入是图像（的像素值），然后你想看看模型每次的输入图像是什么样的，以保证每次输入的图像没有问题（因为你可能在模型中对图像做了某种变换，而这种变换是很容易出问题的），IMAGES 面板就是干这个的，它可以显示出相应的输入图像，默认显示最新的输入图像，如下图：



第 45000 次迭代时输入的 3 个图像


图的右下角的两个图标，第一个是查看大图，第二个是查看原图（真实大小，默认显示的是放大后的）。左侧和 SCALARS 差不多，我就不赘述了。

而在代码中，需要在合适的位置使用 tf.summary.image() 来把图像记录到文件中，其参数和 tf.summary.scalar() 大致相同，多了一个 max_outputs ，指的是最多显示多少张图片，默认为 3。对应于我的代码，如下：



x = tf.placeholder(tf.float32, shape=[None, N_FEATURES], name='x')
x_image = tf.transpose(tf.reshape(x, [-1, 3, 32, 32]), perm=[0, 2, 3, 1])
tf.summary.image('input', x_image, max_outputs=3)
y = tf.placeholder(tf.float32, [None, N_CLASSES], name='labels')

GRAPHS

这个应该是最常用的面板了。很多时候我们的模型很复杂，包含很多层，我们想要总体上看下构建的网络到底是什么样的，这时候就用到 GRAPHS 面板了，在这里可以展示出你所构建的网络整体结构，显示数据流的方向和大小，也可以显示训练时每个节点的用时、耗费的内存大小以及参数多少。默认显示的图分为两部分：主图（Main Graph）和辅助节点（Auxiliary Nodes）。其中主图显示的就是网络结构，辅助节点则显示的是初始化、训练、保存等节点。我们可以双击某个节点或者点击节点右上角的 + 来展开查看里面的情况，也可以对齐进行缩放，每个节点的命名都是我们在代码中使用 tf.name_scope() 定义好的。下面介绍下该面板左侧的功能。



计算图


左上是 Fit to screen，顾名思义就是将图缩放到适合屏幕。下面的 Download PNG 则是将图保存到本地。Run 和 Session Run 分别是不同的训练和迭代步数。比如我这里以不同的超参训练了 6 次，那么 就有 6 个 run，而你所记录的迭代次数（并不是每一步都会记录当前状态的，那样的话太多了，一般都是每隔多少次记录一次）则显示在 Session Run 里。再下面大家应该都能看懂，我就不详细说每个功能的意思了。



选择迭代步数


TensorBoard 默认是不会记录每个节点的用时、耗费的内存大小等这些信息的，那么如何才能在图上显示这些信息呢？关键就是如下这些代码，主要就是在 sess.run() 中加入 options 和 run_metadata 参数。



run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
run_metadata = tf.RunMetadata()
s, lss, acc , _ = sess.run([merged_summary, loss, accuracy, train_step], 
                           feed_dict={x: batch_x, y: batch_y, phase: 1},
                           options=run_options,
                           run_metadata=run_metadata)
summary_writer.add_run_metadata(run_metadata, 'step{}'.format(i))
summary_writer.add_summary(s, i)

然后我们就可以选择 Compute time 或者 Memory 来查看相应信息，颜色深浅代表耗时多少或者内存耗用多少。



计算耗时


我们也可以将某个节点从主图移除，将其放到辅助节点中，以便于我们更清晰的观察整个网络。具体操作是 右键该节点，选择 Remove from main graph 。

DISTRIBUTIONS

DISTRIBUTIONS 主要用来展示网络中各参数随训练步数的增加的变化情况，可以说是 多分位数折线图 的堆叠。下面我就下面这张图来解释下。



权重分布


这张图表示的是第二个卷积层的权重变化。横轴表示训练步数，纵轴表示权重值。而从上到下的折现分别表示权重分布的不同分位数：[maximum, 93%, 84%, 69%, 50%, 31%, 16%, 7%, minimum]。对应于我的代码，部分如下：



with tf.name_scope(name):
    W = tf.Variable(tf.truncated_normal(
        [k, k, channels_in, channels_out], stddev=0.1), name='W')
    b = tf.Variable(tf.constant(0.1, shape=[channels_out]), name='b')
    conv = tf.nn.conv2d(inpt, W, strides=[1, s, s, 1], padding='SAME')
    act = tf.nn.relu(conv)
    tf.summary.histogram('weights', W)
    tf.summary.histogram('biases', b)
    tf.summary.histogram('activations', act)

HISTOGRAMS

HISTOGRAMS 和 DISTRIBUTIONS 是对同一数据不同方式的展现。与 DISTRIBUTIONS 不同的是，HISTOGRAMS 可以说是 频数分布直方图 的堆叠。



权重分布


横轴表示权重值，纵轴表示训练步数。颜色越深表示时间越早，越浅表示时间越晚（越接近训练结束）。除此之外，HISTOGRAMS 还有个 Histogram mode，有两个选项：OVERLAY 和 OFFSET。选择 OVERLAY 时横轴为权重值，纵轴为频数，每一条折线为训练步数。颜色深浅与上面同理。默认为 OFFSET 模式。

后记

这篇博文写了好久，从准备数据到开始动笔写，中间一直被各种事干扰。由于我水平有限，我只能尽最大程度的给出尽可能正确的解释，然而还有很多我目前还兼顾不到，很多话也不是很通顺。如有错误，欢迎在评论区或者给我私信或者给我邮件指出。

REFERENCES

TensorBoard: Visualizing Learning
How does one interpret histograms given by TensorFlow in TensorBoard?
TensorBoard
TensorBoard Histogram Dashboard
Understanding TensorBoard (weight) histograms
Hands-on TensorBoard (TensorFlow Dev Summit 2017)
END

背景

在复杂的问题中，网络往往都是很复杂的。为了方便调试参数以及调整网络结构，我们需要将计算图可视化出来，以便能够更好的进行下一步的决策。Tensorflow提供了一个TensorBoard工具，可以满足上面的需求。



介绍

TensorBoard是一个可视化工具，能够有效地展示Tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。可以查看TensorBoard Github ReadMe 详细阅读适应方法。



简单的例子

下面通过一个简单的例子来显示一下使用方式，下面的图是一个向量加法的图结构。



import tensorflow as tf
a = tf.constant([1.0,2.0,3.0],name='input1')
b = tf.Variable(tf.random_uniform([3]),name='input2')
add = tf.add_n([a,b],name='addOP')
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    writer = tf.summary.FileWriter("E://TensorBoard//test",sess.graph)
    print(sess.run(add))
writer.close()


运行完程序后，图结构将以日志文件的形式保存到给定的路径下。 

然后在命令行启动Tensorboard。Tensorboard作为本地的一个服务已经启动，端口号是6006，我们只需要在浏览器下输入127.0.0.1:6006就可以进入TensorBoard。下图分别是Tensorboard的界面，以及上面代码对用的图结构。



tensorboard --logdir=E://TensorBoard//test



我们可以简单对下面的图结构进行解读。图中的椭圆代表操作，阴影代表明明空间，小圆圈代表常量。虚线箭头代表依赖，实线箭头代表数据流。 

我们的程序想要完成一个加法操作，首先需要利用random_uniform生成一个3元的向量，输入到input2变量节点中，然后input2变量节点需要依赖init操作来完成变量初始化。input2节点将结果输入到addOP操作节点中，同时常量节点input1也将数据输入到addOP中，最终addOP完成计算。 




添加命名空间

前面的程序，只是一个简单的加法，但是图结构却十分凌乱，而且整个程序的核心add没有在图结构中突出，反而是一些初始化的操作占据了计算图的主要部分。这样不利于对计算图进行分析。因此，我们需要利用一种方式，将计算图的细节部分隐藏，保留关键部分。 命名空间给我们提供了这种机会。 

上面的计算图中，核心部分是两个输入传递给加法操作完成计算，因此，我们需要将其他部分隐藏，只保留核心部分。



import tensorflow as tf
with tf.variable_scope('input1'):
    input1 = tf.constant([1.0,2.0,3.0],name='input1')
with tf.variable_scope('input2'):
    input2 = tf.Variable(tf.random_uniform([3]),name='input2')
add = tf.add_n([input1,input2],name='addOP')
with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    writer = tf.summary.FileWriter("E://TensorBoard//test",sess.graph)
    print(sess.run(add))
writer.close()



利用同样的方式，我们可以将MNIST神经网络代码重新进行组织（不知道组织的逻辑结构是否正确）

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

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

batch_size = 100
hidden1_nodes = 200
with tf.name_scope('Input'):
    x = tf.placeholder(tf.float32,shape=(None,784))
    y = tf.placeholder(tf.float32,shape=(None,10))
with tf.name_scope('Inference'):
    w1 = tf.Variable(tf.random_normal([784,hidden1_nodes],stddev=0.1))
    w2 = tf.Variable(tf.random_normal([hidden1_nodes,10],stddev=0.1))
    b1 = tf.Variable(tf.random_normal([hidden1_nodes],stddev=0.1))
    b2 = tf.Variable(tf.random_normal([10],stddev=0.1))
    hidden = tf.nn.relu(tf.matmul(x,w1)+b1)
    y_predict = tf.nn.relu(tf.matmul(hidden,w2)+b2)

with tf.name_scope('Loss'):
    cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=y_predict))
with tf.name_scope('Train'):
    train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
with tf.name_scope('Accuracy'):
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_predict, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))


with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(10000):
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
        if i%1000==0:
            print ('Phase'+str(i/1000+1)+':',sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels}))
writer = tf.summary.FileWriter("./mnist_nn_log",sess.graph)
writer.close()