本文概要：通過mnist識別案例講解TensorFlow中TensorBoard的使用方法

原始碼

TensorBoard概述

TensorBoard 可以將模型訓練過程中的各種彙總資料展示出來。包括

• 標量 Scalars - tf.summary.scalar
• 圖片 Images - tf.summary.image
• 音訊 Audio
• 計算圖 Graphs
• 資料分佈 Distributions
• 直方圖 Histogram
• 嵌入向量 Embeddings
  ——這些向量將會經常用到
  suammary 節點需要專門去執行才能起作用，使用tf.summary.merge_all可以將所有summary節點合併成一個節點，只要執行這個節點，就能產生之前設定的所有summary
  使用tf.summary.FileWriter將執行後輸出的資料都儲存到本地磁碟中

啟動程式後，在使用命令列進入相對應目錄輸入tensorboard指定，才可以檢視視覺化檔案

使用TensorBoard 展示資料需要在執行Tensoflow計算圖的過程中，將各類資料彙總並記錄到日誌檔案中，然後在使用tensorBoard讀取這些日誌檔案，解析並生產資料視覺化的web頁面。

程式碼框架

1. 讀取mnist資料集 read_data_sets()，定義初始化引數方法,定義輸入資料feed_dict()
   
   1. 定義輸入資料 x,xs
   2. 定義輸人標籤 y,ys
2. 定義資料彙總方法 variable_summaries()
3. 建立神經網路框架 nn_layer（）
   
   1. 第一層 hidden1 = nn_layer(x,784,500,’layer1’)
   2. dropout層 dropped = tf.nn.droupout(hidden1 )
   3. 第二層 y = nn_layer(dropped, 500, 10, ‘layer2’, act = tf.identity)
   4. 輸出 y
4. 建立損失函式 cross_entropy
5. 建立訓練優化器 AdamOptimizer
6. 定義準確度tf.summary.scalar.correct_ prediction
   合併所有summary節點merged = tf.summary.merge_all()
7. 模型訓練 sess.run

執行環境

作業系統

• win10
• python 3.5
• tensorflow-gpu 1.0.0

注意事項及BUG

1 . BUG 執行中間發生Python執行非法指令錯誤，同時執行視窗報告：
Couldn’t open CUDA library cupti64_80.dll無法繼續執行
原因：CUDA的cupti64_80.dll的路徑沒有加入PATH
解決辦法：
將目錄C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\extras\CUPTI\libx64下的cupti64_80.dll 複製到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin即可
參考：

I have encountered this problem before. When you use CUDA 8.0,the file cupti64_80.dll lies in C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\extras\CUPTI\libx64. I just fixed the problem by copying the dll into C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin, and the file cupti.lib in the same location into C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64. And it works!

2 . 初始化目錄問題及啟動tensorboard

parser.add_argument('--data_dir', type=str, default='input_data',
                        help='Directory for storing input data')
parser.add_argument('--log_dir', type=str, default='logs',
                        help='Summaries logs directory')

目錄設定好後，要在自己程式碼所在的資料夾裡面新建這兩個資料夾，如果沒有新建自己不會主動建立，反正我的是沒有，有的人是可以
呼叫tensorboard要進入目標命令列裡面

tensorboard --logdir=logs --debug

要開啟 debug 模式 就可以看到是不是讀取了日誌檔案
這個地方頭疼了好久，按照如上設定就可以正確的在網頁上顯示

3 . BUG 報如下錯誤

InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'input/x-input' with dtype float
     [[Node: input/x-input = Placeholder[dtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/gpu:0"]()]]
     [[Node: layer2_1/weights/summaries/stddev/Sqrt/_21 = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/cpu:0", send_device="/job:localhost/replica:0/task:0/gpu:0", send_device_incarnation=1, tensor_name="edge_710_layer2_1/weights/summaries/stddev/Sqrt", tensor_type=DT_FLOAT, _device="/job:localhost/replica:0/task:0/cpu:0"]()]]

這個問題花費了非常非常的時間去解決，多方查詢資料
因為是自己一個程式碼一個程式碼敲進去的，所以反覆核對了好幾遍，但都沒有發現問題
原因：因為spyder執行一次session後會組織其再次執行
解決辦法：在命令列列裡面執行就可以了
參考：

I find out that once you run it once in spyder it prevents you from runing it again on the same session

這個問題告訴我們，有時候真的不是程式碼寫錯了，是IDE出錯了
只要是人做的東西都可能出錯，犯錯的總不一定是自己

程式碼詳解

這個程式碼是原作者的程式碼
我自己寫的比較碎片化

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
import sys

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

FLAGS = None


def train():
    # 讀取資料
    mnist = input_data.read_data_sets(FLAGS.data_dir,
                                      one_hot=True,
                                      fake_data=FLAGS.fake_data)

    # 啟動預設回話
    sess = tf.InteractiveSession()
    # 建立模型

    # 建立輸入資料的佔位符，分別建立特徵資料x，標籤資料y_
    with tf.name_scope('input'):
        x = tf.placeholder(tf.float32, [None, 784], name='x-input')
        y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')

    # 準備輸入資料和訓練資料
    # 如果train=true，從mnist.train中取一個batch樣本，設定dropout值；
    # 如果train==false,獲取minist.test的測試資料，設定keep_prob為1，即保留所有神經元開啟。
    def feed_dict(train):
        """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
        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}

    # 使用summary.image記錄圖片，要注意需要轉換成對應的格式
    with tf.name_scope('input_reshape'):
        image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
        tf.summary.image('input', image_shaped_input, 10)

    # We can't initialize these variables to 0 - the network will get stuck.
    # 我們初始預設引數，不能設定為零，初始化為零會難以收斂
    # w 採用 truncated_normal 函式進行初始化一個標準差的正態分佈
    # b 0.1初始化就可以
    def weight_variable(shape):
        """Create a weight variable with appropriate initialization."""
        initial = tf.truncated_normal(shape, stddev=0.1)
        return tf.Variable(initial)

    def bias_variable(shape):
        """Create a bias variable with appropriate initialization."""
        initial = tf.constant(0.1, shape=shape)
        return tf.Variable(initial)

    # 記錄每一次迭代的引數資訊
    def variable_summaries(var):
        """Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""
        with tf.name_scope('summaries'):
            mean = tf.reduce_mean(var)
            tf.summary.scalar('mean', mean)
            # 記錄引數的標準差
            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)

    # 構建神經網路
    # 應該明確輸入引數
    # input_tensor：特徵資料
    # input_dim：輸入資料的維度大小
    # output_dim：輸出資料的維度大小( = 隱層神經元個數）
    # layer_name：名稱空間
    # act = tf.nn.relu：啟用函式（預設是relu)
    # 該神經網路是一個MLP多層神經網路，每一層會對模型引數進行資料彙總tf.summary.histogram
    def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
        """Reusable code for making a simple neural net layer.
        It does a matrix multiply, bias add, and then uses ReLU to nonlinearize.
        It also sets up name scoping so that the resultant graph is easy to read,
        and adds a number of summary ops.
        """
        # Adding a name scope ensures logical grouping of the layers in the graph.
        with tf.name_scope(layer_name):
            # This Variable will hold the state of the weights for the layer
            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)
            # y = wx +b
            with tf.name_scope('Wx_plus_b'):
                preactivate = tf.matmul(input_tensor, weights) + biases
                tf.summary.histogram('pre_activations', preactivate)

            # 呼叫激勵函式對資料進行響應
            # result = relu(y)
            activations = act(preactivate, name='activation')
            tf.summary.histogram('activations', activations)
            return activations

    # 隱藏層 輸入資料維度784 輸出維度500
    hidden1 = nn_layer(x, 784, 500, 'layer1')

    # dropout 隨機刪除一些神經元，引數 keep_prob
    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)

    # 輸出層 輸入資料500維 輸出類別 10
    y = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)

    # 建立損失函式 y 模型輸出 y_ 資料標籤
    with tf.name_scope('cross_entropy'):
        diff = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)
        with tf.name_scope('total'):
            cross_entropy = tf.reduce_mean(diff)
    tf.summary.scalar('cross_entropy', cross_entropy)

    # 使用AdamOptimizer優化器訓練模型，最小化交叉熵損失
    with tf.name_scope('train'):
        train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(
            cross_entropy)
    # 計算準確率，並用tf.summary 進行合併
    with tf.name_scope('accuracy'):
        with tf.name_scope('correct_prediction'):
            correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
        with tf.name_scope('accuracy'):
            accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    tf.summary.scalar('accuracy', accuracy)

    # 將所有summary合併，這個直接在後面的session.run()裡面執行
    merged = tf.summary.merge_all()

    # 日誌資料存放位置
    # 定義兩個不同的檔案記錄器，分別存放訓練和測試資料的日誌資料，這樣就可以不互相干擾
    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()

    # Train the model, and also write summaries.
    # Every 10th step, measure test-set accuracy, and write test summaries
    # All other steps, run train_step on training data, & add training summaries

    # 開始訓練，每十次，進行一次資料彙總，並列印測試資料的準確率，並將測試資料中的引數寫入日誌
    # 每100次，記錄元資訊
    for i in range(FLAGS.max_steps):
        if i % 10 == 0:  # Record summaries and test-set accuracy
            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:  # Record train set summaries, and train
            if i % 100 == 99:  # Record execution stats
                run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
                run_metadata = tf.RunMetadata()
                summary, _ = sess.run([merged, train_step],
                                      feed_dict=feed_dict(True),
                                      options=run_options,
                                      run_metadata=run_metadata)
                # 記錄訓練運算時間和記憶體佔用
                train_writer.add_run_metadata(run_metadata, 'step%03d' % i)
                train_writer.add_summary(summary, i)
                print('Adding run metadata for', i)
            else:  # Record a summary
                summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
                train_writer.add_summary(summary, i)
    # 關閉檔案記錄器
    train_writer.close()
    test_writer.close()


def main(_):
    if tf.gfile.Exists(FLAGS.log_dir):
        tf.gfile.DeleteRecursively(FLAGS.log_dir)
    tf.gfile.MakeDirs(FLAGS.log_dir)
    train()


# 初始化引數

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--fake_data', nargs='?', const=True, type=bool,
                        default=False,
                        help='If true, uses fake data for unit testing.')
    parser.add_argument('--max_steps', type=int, default=100000,
                        help='Number of steps to run trainer.')
    parser.add_argument('--learning_rate', type=float, default=0.001,
                        help='Initial learning rate')
    parser.add_argument('--dropout', type=float, default=0.9,
                        help='Keep probability for training dropout.')
    # 這個要注意 主要要在自己的資料夾裡面新建好
    parser.add_argument('--data_dir', type=str, default='input_data',
                        help='Directory for storing input data')
    parser.add_argument('--log_dir', type=str, default='logs',
                        help='Summaries logs directory')
    FLAGS, unparsed = parser.parse_known_args()
    tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)