本文使用的tensorlow版本：1.4
tensorlow安装：pip install tensorflow
1、引言
在上一节课中，我们实现了一个简单的神经网络，那么网络中的数据是如何流动的呢？如果我们想通过可视化的方式看到网络中的数据流动，以及参数和误差的变化，这时候就该Tensorbord大显身手了。
先来回顾一下我们之前的tensorflow代码，我们用神经网络来预测 y = x^2 - 0.5,定义了一个神经元的输入层和输出层，10个神经元的隐藏层，代码如下：
import tensorflow as tf
import numpy as np
def add_layer(inputs,in_size,out_size,activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size,out_size]))
biases = tf.Variable(tf.zeros([1,out_size])+0.1)
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)
return outputs
x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise
#None表示给多少个sample都可以
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,activation_function=None)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for i in range(1000):
sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
if i % 50 == 0:
print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
接下来，我们就以这一个例子为例，一起来看一下tensorboard的使用吧。
2、可视化流程
使用Tensorboard，我们首先要定义变量的命名空间name_scope，只有定义了name_scope，我们在tensorboard中的Graph才会看起来井然有序。所以，我们以修改一层网络的函数为例，来看一下如何使用name_scope，name_scope对神经网络的训练过程是没有影响的。
def add_layer(inputs,in_size,out_size,n_layer,activation_function=None):
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')
#概率分布的形式
with tf.name_scope("biases"):
biases = tf.Variable(tf.zeros([1,out_size])+0.1,name='b')
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)
return outputs
类似的，你可以在任何你想要的地方加上命名空间，使得你的tensorboard看上去更加整洁有序。
在定义好命名空间之后，我们需要将我们网络中的数据流保存到文件中：
merged = tf.summary.merge_all()
writer = tf.summary.FileWriter('logs/',sess.graph)
除了网络的结构外，我们有时候想看一下网络的loss的变化，以及参数的变化，我们需要进一步增加我们summary的内容，因为Weights和biases是一组数而不是单个数，所以我们使用histogram来表示二者在每一期的分布变化，而loss是一个单个的数，也就是标量scalaer，所以我们使用scalaer来表示loss的变化，二者的定义如下：
tf.summary.histogram(layer_name+'/weights',Weights)
tf.summary.scalar("loss",loss)
但是，光定义这个是没有用的，我们需要run一下这个，记得我们之间定义了merged节点了么，运行这个就行啦，我们将返回的结果通过writer写入到文件中就可以啦：
result = sess.run(merged,feed_dict={xs:x_data,ys:y_data})
writer.add_summary(result,i)
所以，到现在，我们的完整代码如下：
import tensorflow as tf
import numpy as np
def add_layer(inputs,in_size,out_size,n_layer,activation_function=None):
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')
#概率分布的形式
tf.summary.histogram(layer_name+'/weights',Weights)
with tf.name_scope("biases"):
biases = tf.Variable(tf.zeros([1,out_size])+0.1,name='b')
tf.summary.histogram(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)
return outputs
x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise
#None表示给多少个sample都可以
with tf.name_scope("input"):
xs = tf.placeholder(tf.float32,[None,1],name='x_input')
ys = tf.placeholder(tf.float32,[None,1],name='y_input')
l1 = add_layer(xs,1,10,1,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,2,activation_function=None)
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
tf.summary.scalar("loss",loss)
with tf.name_scope('train'):
train_step = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)
init = tf.global_variables_initializer()
with tf.Session() as sess:
# 1.2之前 tf.train.SummaryWriter("logs/",sess.graph)
merged = tf.summary.merge_all()
writer = tf.summary.FileWriter('logs/',sess.graph)
sess.run(init)
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)
3、结果查看
我们使用命令来查看最后的结果：
tensorboard --logdir logs
然后我们就可以根据它提示的网址去访问我们的结果啦，这里我用safari浏览器是没有看到结果的， 用chrome是可以的呦。
我们可以看GRAPH选项下面保存了我们的整个网络的流图，我们可以点开看每一个层的内容，比如我们点开layer1:
在Scalaer下，我们可以看到我们的loss结果：
而在distribution下面，我们可以看到我们定义的权重和偏置的参数分布变化：
更多的信息，大家可以自己去探索哟，我们这里就不继续啦，下篇继续！
