簡介

tensorflow 配套的視覺化工具,將你的計算圖畫出來.

當訓練一個巨大的網路的時候,計算圖既複雜又令人困惑. TensorBoard 提供了一系列的元件,可以看到 learning rate 的變化,看到 objective function 的變化.

tfboard 讀取 tf 執行時你記下的 events files,來進行視覺化. 這些 events files 包含了你記下的 summary data,它是 protobuffer 格式,並非文字檔案.

推薦使用 Estimator 風格.

類與方法

在 tf.estimator 框架下,可以直接用 tf.summary.scalar() 這樣的方法,不必顯式地建立writer並呼叫writer.add_summary()

tensorflow.python.summary.writer.writer.FileWriter(SummaryToEventTransformer)

類.

__init__(self,logdir,graph=None,...)

建構函式,Creates a FileWriter and an event file.

tensorflow.python.summary.summary

模組.

scalar(name,tensor,..） Outputs a Summary protocol buffer containing a single scalar value.

histogram(name,values,collections=None,family=None) Adding a histogram summary makes it possible to visualize your data's distribution in TensorBoard.

image

作圖,對於grap-scale 圖來講,0表示全黑,255表示全白.

api,image(name,max_outputs=3,family=None) Outputs a Summary protocol buffer with images. images are built from tensor which must be 4-D with shape [batch_size,height,width,channels] and where channels can be:

1.1-tensor is interpreted as Grayscale.

2.3-tensor is interpreted as RGB.

3.4-tensor is interpreted as RGBA.

tensor為float: 此時,tf會內部作正規化處理,轉換到[0,255](解析 tf_events 即可驗證),float通常對應於 softm 之後的概率,值域為[0,1].

tensor為uint8,保持不變,tf 不作任何內部轉換.

attention 視覺化,attention 的權重會作 soft-max 處理,通常img顯示的效果是,一行看下來有深有淺,顏色越白weight越大. 但有時後tf內部正規化不符合預期,出現一行全白的情況,穩妥起見自己轉unit型別.

開啟web頁面

在命令列中 敲tensorboard --logdir=D:\tf_models\iris,根據提示開啟URL即可.

比如我的為http://yichu-amd:6006/.

效果截圖

圖3-1 logdir中的檔案

圖3-2 炫酷的視覺化效果

figure 3-3 計算圖的視覺化

給出一些建議：

網路也是分模組,有結構的,合理使用 scope 可以讓計算圖清晰優雅.

有些tensor來自dataset,有些來自api中op操作的輸出,本身沒有明確的名字,此時用x=tf.identity(x,'name') 給tensor起名字,便於計算圖中定位. 圖3-3 中的 memory 就是 encoder 的輸出的tensor.

以上這篇TensorBoard 計算圖的視覺化實現就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。