TensorBoard：可视化学习

您使用 TensorFlow 进行的计算——如训练一个大型深度神经网络，可能会是十分复杂和令人困惑的。为使 TensorFlow 程序更加易于理解、调试与优化，我们提供了一套称作 TensorBoard 的可视化工具。您可以使用 TensorBoard 来可视化您的 TensorFlow 流图，绘制图执行的量化指标，以及展示通过流图的其他数据，如图像。当 TensorBoard 被完全配置时，将如下图所示：

该 30 分钟的教程旨在助您开启简单的 TensorBoard 使用之旅。该视频假设您对 TensorFlow 有基本了解。

还有其他资源！TensorBoard GitHub 提供了更多关于使用 TensorBoard 内部各个仪表板的信息，包括提示、技巧以及调试信息。

设置

安装 TensorFlow。通过 pip 安装 TensorFlow 将同时自动安装 TensorBoard。

序列化数据

TensorBoard 通过读取 TensorFlow 事件（events）文件进行工作。事件文件包含您在运行 TensorFlow 时可生成的摘要（summary）数据。以下是 TensorBoard 中摘要数据的一般生命周期。

首先，创建您要从中收集数据的 TensorFlow 图，并决定您要使用 tf.summary 操作进行标记的节点。

例如，假设您正在训练一个用于识别 MNIST 数字的卷积神经网络。您希望记录学习率随时间的变换情况以及目标函数的变化情况。分别在输出学习率和损失的节点上附加 tf.summary.scalar 操作来收集上述信息。然后给每个 scalar_summary 都赋予一个有意义的标签，如 'learning rate' 或 'loss function'。

也许您还想可视化来自特定层的激活分布,或者梯度与权重的分布。通过分别在梯度输出节点及保存权重的变量上附加 tf.summary.histogram 操作来收集这些信息。

TensorFlow 中的操作只有在您运行它们，或运行依赖这些节点输出的节点时才会执行。我们刚刚创建的摘要节点是您数据流图的外围节点：当前运行的操作都不依赖于它们。所以，为了生成摘要我们需要运行所有这些摘要节点。手动管理它们很繁琐，因此请使用 tf.summary.merge_all 将它们组合为一个生成摘要数据的单一操作。

然后，您可以运行合并摘要的操作，这将在给定步骤生成一个序列化的 Summary protobuf 对象，其中包含所有的摘要数据。最后，为了将这些摘要数据写入硬盘，请将该摘要的 protobuf 对象传递给 tf.summary.FileWriter。

FileWriter 的构造函数中带有一个日志目录——该目录非常重要，它是用于写入所有事件（event）的目录。FileWriter可选择性地在其构造函数中使用 Graph。若该构造函数接收到一个 Graph 对象，TensorBoard 将可视化您的流图及张量维度信息。这将能让您更好了解图中所流动的内容：请参阅张量维度信息。

现在您已经修改了流图并且实例化了一个 FileWriter，就可以开始运行网络了！如果需要，您可以在每一步（step）中运行合并的摘要操作，并记录大量的训练数据。不过，这可能产生超出您需求的数据量。因此您可以考虑每 n 步运行一次合并的摘要操作。

下面的代码示例修改自简单 MNIST 教程，我们在其中加入了一些摘要操作，并每十步运行一次。如果您运行该示例，并执行 tensorboard --logdir=/tmp/tensorflow/mnist，您将能够看到统计数据，如训练期间权重或准确率（accuracy）的变化情况。下方的是代码摘录，完整源码请参阅此处

def variable_summaries(var):
  """将大量摘要附加到 Tensor 上（为了 TensorBoard 可视化）"""
  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)

def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
  """用于创建简单神经网络层的可复用代码。

  本段代码执行矩阵乘法，偏置加法以及使用 ReLU 进行非线性化操作。同时还设定了命名范围使结果图易于阅读，并且增加了一些摘要操作。
  """
  # 增加命名范围以确保图中网络层的逻辑分组。
  with tf.name_scope(layer_name):
    # 此变量将保存网络层的权重状态
    with tf.name_scope('weights'):
      weights = weight_variable([input_dim, output_dim])
      variable_summaries(weights)
    with tf.name_scope('biases'):
      biases = bias_variable([output_dim])
      variable_summaries(biases)
    with tf.name_scope('Wx_plus_b'):
      preactivate = tf.matmul(input_tensor, weights) + biases
      tf.summary.histogram('pre_activations', preactivate)
    activations = act(preactivate, name='activation')
    tf.summary.histogram('activations', activations)
    return activations

hidden1 = nn_layer(x, 784, 500, 'layer1')

with tf.name_scope('dropout'):
  keep_prob = tf.placeholder(tf.float32)
  tf.summary.scalar('dropout_keep_probability', keep_prob)
  dropped = tf.nn.dropout(hidden1, keep_prob)

# 尚未应用 softmax 激活函数，请参阅下文。
y = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)

with tf.name_scope('cross_entropy'):
  # 交叉熵的原始公式,
  #
  # tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(tf.softmax(y)),
  #                               reduction_indices=[1]))
  #
  # 可能在数值上不稳定。
  #
  # 因此这里我们在 nn_layer 的原始 logit 输出上使用
  # tf.losses.sparse_softmax_cross_entropy，然后对 batch 做平均化。
  with tf.name_scope('total'):
    cross_entropy = tf.losses.sparse_softmax_cross_entropy(
        labels=y_, logits=y)
tf.summary.scalar('cross_entropy', cross_entropy)

with tf.name_scope('train'):
  train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(
      cross_entropy)

with tf.name_scope('accuracy'):
  with tf.name_scope('correct_prediction'):
    correct_prediction = tf.equal(tf.argmax(y, 1), y_)
  with tf.name_scope('accuracy'):
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.summary.scalar('accuracy', accuracy)

# 合并所有摘要并且将它们写入到
# /tmp/tensorflow/mnist/logs/mnist_with_summaries （默认情况下）
merged = tf.summary.merge_all()
train_writer = tf.summary.FileWriter(FLAGS.log_dir + '/train', sess.graph)
test_writer = tf.summary.FileWriter(FLAGS.log_dir + '/test')
tf.global_variables_initializer().run()

初始化 FileWriters 后，我们需要在训练和测试模型时向 FileWriters 添加摘要。

# 训练模型以及写入摘要。
# 每 10 步计算一次测试集的准确率，并且记录测试摘要。
# 其他的所有步在训练集上运行 train_step，以及添加训练摘要。

def feed_dict(train):
  """构造 Tensorflow feed_dict：将数据映射到 Tensor 占位符上。"""
  if train or FLAGS.fake_data:
    xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)
    k = FLAGS.dropout
  else:
    xs, ys = mnist.test.images, mnist.test.labels
    k = 1.0
  return {x: xs, y_: ys, keep_prob: k}

for i in range(FLAGS.max_steps):
  if i % 10 == 0:  # 记录摘要与测试集准确率
    summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
    test_writer.add_summary(summary, i)
    print('Accuracy at step %s: %s' % (i, acc))
  else:  # 记录训练集摘要并训练模型
    summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
    train_writer.add_summary(summary, i)

现在，您已经准备好使用 TensorBoard 可视化这些数据。

启动 TensorBoard

为启动 TensorBoard，使用以下命令（或者 python -m tensorboard.main ）

tensorboard --logdir=path/to/log-directory

其中 logdir 指向 FileWriter 序列化其数据的目录。若该 logdir 囊括含有来自不同运行的序列化数据的子目录，TensorBoard 将可视化来自所有运行的数据。TensorBoard运行后，将您的浏览器导航到 localhost:6006 以查看 TensorBoard。

当查看 TensorBoard 时，您会在右上角看到导航选项卡。每一个选项卡代表一组可被可视化的序列化数据。

有关如何使用 graph 选项卡可视化您的流图，请参阅TensorBoard：流图可视化。

更多 TensorBoard 使用信息，请参阅TensorBoard GitHub。