TensorFlow —— TensorBoard的使用

墨蓝 2021-09-29 06:32 380阅读 0赞

# 前言 #

这是对TensorBoard的简单使用 。

# 简介 #

Tensorboard是一个web应用程序套件，用于检查tensorflow程序的运行情况。可以直观了解训练情况。

# 使用 #

使用summary op。用上一篇文章的例子，用tensorboard记录cost的变化。

## 加入summary ##

把待观察的op加入到summary op 的scalar中

# 创建summary来观察损失值
    tf.summary.scalar("loss", cost)

## 合并summary op ##

如果summary op过多需要合并一下。

merged_summary_op = tf.summary.merge_all()

## 指定保存log文件路径 ##

其实tensorboard的原理就是程序运行完了之后产生log文件，这个东西就是让log数据可视化的显示出来。  
那么既然是文件路径的话我们要指定保存文件路径。

logs_path="./example"

## 会话中执行 ##

首先弄出一个保存的op，使用的是summary.FileWriter保存默认图。

#op 把需要的记录数据写入文件
        summary_writer=tf.summary.FileWriter(logs_path,graph=tf.get_default_graph())

执行merged\_summary\_op

summary=sess.run(merged_summary_op,feed_dict={X: train_X, Y: train_Y})
    summary_writer.add_summary(summary, epoch * n_samples)

# 详细代码 #

# -*- coding: utf-8 -*-
    # @Time    : 2017/12/5 上午9:28
    # @Author  : SkullFang
    # @Email   : yzhang.private@gmail.com
    # @File    : demo2.py
    # @Software: PyCharm
    import tensorflow as tf
    import  numpy as np
    import matplotlib.pyplot as plt
    import random
    #训练参数
    learning_rate=0.01
    
    traing_epochs=1000
    
    display_step=50
    
    logs_path="./example"
    # 训练数据
    train_X = np.asarray([3.3, 4.4, 5.5, 6.71, 6.93, 4.168, 9.779, 6.182, 7.59, 2.167,
                             7.042, 10.791, 5.313, 7.997, 5.654, 9.27, 3.1])
    train_Y = np.asarray([1.7, 2.76, 2.09, 3.19, 1.694, 1.573, 3.366, 2.596, 2.53, 1.221,
                             2.827, 3.465, 1.65, 2.904, 2.42, 2.94, 1.3])
    
    n_samples = train_X.shape[0]
    
    #定义两个变量的op占位符
    
    X=tf.placeholder("float")
    Y=tf.placeholder("float")
    
    #初始化w,b
    W=tf.Variable(random.random(),name="weight")
    b=tf.Variable(random.random(),name="bias")
    
    #构造线性模型
    pred=tf.add(tf.multiply(X,W),b)
    
    #均方误差
    #reduce_sum是对每一项进行加和
    #reduce_sum(x,0)是每一列进行加和，reduce_sum(x,1)是对每一行进行加和
    cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)
    
    #梯度下降
    optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
    
    #初始化所有的变量
    init=tf.global_variables_initializer()
    
    # 创建summary来观察损失值
    tf.summary.scalar("loss", cost)
    merged_summary_op = tf.summary.merge_all()
    
    #以上都是构造op，只是为了告诉tensorflow 模型的数据流动方向
    
    
    
    #使用session 启动默认图
    with tf.Session() as sess:
        sess.run(init) #初始化
    
        #op 把需要的记录数据写入文件
        summary_writer=tf.summary.FileWriter(logs_path,graph=tf.get_default_graph())
    
        for epoch in range(traing_epochs):
            for (x,y) in zip(train_X,train_Y):
                sess.run(optimizer,feed_dict={X:train_X,Y:train_Y})
    
    
            if(epoch+1) % display_step==0:
                # c, summary = sess.run([cost, merged_summary_op], feed_dict={X: train_X, Y: train_Y})
                c= sess.run(cost, feed_dict={X: train_X, Y: train_Y})
                summary=sess.run(merged_summary_op,feed_dict={X: train_X, Y: train_Y})
                summary_writer.add_summary(summary, epoch * n_samples)
    
                # c=sess.run(cost,feed_dict={X:train_X,Y:train_Y})
                print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c), \
                      "W=", sess.run(W), "b=", sess.run(b))
    
    
    
        print ("optimization Finished")
        training_cost = sess.run(cost,feed_dict={X:train_X,Y:train_Y})
        print ("Training cost=",training_cost,"W=",sess.run(W),"b=",sess.run(b),"\n")
    
        #画图
        plt.plot(train_X,train_Y,'ro',label="Original data")
        plt.plot(train_X,sess.run(W)*train_X+sess.run(b),label="Fitted line")
        plt.legend()
        plt.show()
        plt.savefig('linear_train.png')
    
        # 测试数据
        test_X = np.asarray([6.83, 4.668, 8.9, 7.91, 5.7, 8.7, 3.1, 2.1])
        test_Y = np.asarray([1.84, 2.273, 3.2, 2.831, 2.92, 3.24, 1.35, 1.03])
    
        print("Testing... (Mean square loss Comparison)")
        testing_cost = sess.run(
            tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * test_X.shape[0]),
            feed_dict={X: test_X, Y: test_Y})  # same function as cost above
        print("Testing cost=", testing_cost)
        print("Absolute mean square loss difference:", abs(
            training_cost - testing_cost))
    
        plt.plot(test_X, test_Y, 'bo', label='Testing data')
        plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
        plt.legend()
        plt.show()
        plt.savefig('linear_test.png')

# 效果 #

## 1 ##

程序运行完了之后程序目录中会多出一个sample的文件夹，里面就是我们的log文件

![Image 1][]

image.png

## 2 ##

打开自己的终端  
在项目目录下面执行，记得一定是在项目目录下执行。这里就是指定log的文件夹，和端口。

tensorboard --logdir=./example --host 0.0.0.0

![Image 1][]

image.png

这是执行完的效果。  
在浏览器中打开  
http://0.0.0.0:6006  
这就是最终的效果。我们可以看到loss的下降，说明我们学习的很好。横坐标是轮数

转载：[https://www.jianshu.com/p/1bdda872295c][https_www.jianshu.com_p_1bdda872295c]