TensorBoard的使用
2018-03-07 14:24
344 查看
TensorBoard 是 TensorFlow 自带的一个强大的可视化工具,也是一个 Web 应用程序套件。TensorBoard 目前支持 7 种可视化,即 SCALARS、IMAGES、AUDIO、GRAPHS、DISTRIBUTIONS、HISTOGRAMS 和 EMBEDDINGS。这 7 种可视化的主要功能如下。
● SCALARS:展示训练过程中的准确率、损失值、权重/偏置的变化情况。
● IMAGES:展示训练过程中记录的图像。
● AUDIO:展示训练过程中记录的音频。
● GRAPHS:展示模型的数据流图,以及训练在各个设备上消耗的内存和时间。
● DISTRIBUTIONS:展示训练过程中记录的数据的分布图。
● HISTOGRAMS:展示训练过程中记录的数据的柱状图。
● EMBEDDINGS:展示词向量(如 Word2vec)后的投影分布。
TensorBoard
scalars:标量显示
tf.summary.scalar
histograms:变量显示
tf.summary.histogram
images:展示训练过程中记录的图像
tf.summary.image
graphs:计算图显示
tf.summary.FileWritter(path,sess.graph)
distribution:变量分布
tf.summary.distribution
embeddings:变量embeddings
加载ckpt文件,但是变量也要保存
audio:展示训练过程中记录的音频
tf.summary.audio
text:展示文本输入类型为Tensor
tf.summary.text
使用案例:
● SCALARS:展示训练过程中的准确率、损失值、权重/偏置的变化情况。
● IMAGES:展示训练过程中记录的图像。
● AUDIO:展示训练过程中记录的音频。
● GRAPHS:展示模型的数据流图,以及训练在各个设备上消耗的内存和时间。
● DISTRIBUTIONS:展示训练过程中记录的数据的分布图。
● HISTOGRAMS:展示训练过程中记录的数据的柱状图。
● EMBEDDINGS:展示词向量(如 Word2vec)后的投影分布。
这里,我们运行手写数字识别的入门例子,如下: python tensorflow-1.1.0/tensorflow/examples/tutorials/mnist/mnist_with_summaries.py 然后,打开 TensorBoard 面板: tensorboard ––logdir=/tmp/mnist/logs/mnist_with_summaries 这时,输出: Starting TensorBoard 39 on port 6006 (You can navigate to http://192.168.0.101:6006) 我们就可以在浏览器中打开 http://192.168.0.101:6006,查看面板的各项功能。
TensorBoard
scalars:标量显示
tf.summary.scalar
histograms:变量显示
tf.summary.histogram
images:展示训练过程中记录的图像
tf.summary.image
graphs:计算图显示
tf.summary.FileWritter(path,sess.graph)
distribution:变量分布
tf.summary.distribution
embeddings:变量embeddings
加载ckpt文件,但是变量也要保存
audio:展示训练过程中记录的音频
tf.summary.audio
text:展示文本输入类型为Tensor
tf.summary.text
使用案例:
#coding:utf-8 #######softmax import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data ######prepare data mnist = input_data.read_data_sets('MNIST_data/',one_hot = True); #######create the graph x = tf.placeholder(tf.float32,shape = [None,784],name = 'x'); y_ = tf.placeholder(tf.float32,shape = [None,10],name = 'y_'); W = tf.Variable(tf.zeros([784,10])); b = tf.Variable(tf.zeros([10]),name = 'input_bias'); y = tf.nn.softmax(tf.matmul(x,W) + b) tf.summary.histogram('y',y); cross_entropy = -tf.reduce_sum(y_*tf.log(y)) tf.summary.scalar('loss_function', cross_entropy) train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float32")) tf.summary.scalar('accuracy', accuracy) merged_summary_op = tf.summary.merge_all() #Cannot evaluate tensor using `eval()`: No default session is registered. #Use `with sess.as_default()` or pass an explicit session to `eval(session=sess)` #set sess as default sess = tf.InteractiveSession(); init = tf.global_variables_initializer(); sess.run(init); if tf.gfile.Exists("/tmp/mnist_logs"): tf.gfile.DeleteRecursively("/tmp/mnist_logs"); summary_writer = tf.summary.FileWriter('/tmp/mnist_logs',sess.graph) #train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) for i in range(1000): batch = mnist.train.next_batch(100); sess.run(train_step,feed_dict={x: batch[0], y_: batch[1]}); summary_str = sess.run(merged_summary_op,feed_dict={x: batch[0], y_: batch[1]}); summary_writer.add_summary(summary_str, i); if i % 50 == 0: print "Setp: ", i, "Accuracy: ",sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}) print(accuracy.eval(session=sess,feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
相关文章推荐
- tensorBoard在Windows平台上的安装与使用(详解)
- Windows下Tensorflow-GPU的安装,Tensorboard的使用,以及过程中遇到的各种坑
- win10使用tensorboard遇到无法显示问题
- tensorflow入门6 tensorboard的使用
- tensorflow笔记-tensorboard的使用
- 通过【端口转发】在服务器上使用TensorBoard
- Tensorboard 直方图Summary使用指南
- Tensorflow可视化----Tensorboard的使用
- tensorboard使用问题
- Tensorboard使用心得
- 【Tensorflow】Tensorboard的使用
- Tensorflow-2-Tensorboard使用
- TensorBoard的使用(结合线性模型)
- TensorBoard使用
- 在Windows上怎么使用tensorboard
- Win10 配置tensorflow1.3 GPU版本以及tensorboard的使用
- tensorflow笔记(三)之 tensorboard的使用
- tensorboard使用1
- 使用TensorBoard
- tensorboard的使用