Tensorflow - Tutorial (6) : TensorBoard 可视化工具

2024-05-05 16:32

本文主要是介绍Tensorflow - Tutorial (6) : TensorBoard 可视化工具,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1. TensorBoard

为了更方便 TensorFlow 程序的理解、调试与优化,TensorFlow发布了一套叫做 TensorBoard 的可视化工具。可以用 TensorBoard 来展现 TensorFlow 图像,绘制图像生成的定量指标图以及附加数据。TensorBoard可生成以下4类信息:

  • Event: 展示训练过程中的统计数据(最值,均值等,误差)变化情况
  • Image: 展示训练过程中记录的图像
  • Graph: 展示模型的结构
  • Histogram: 展示训练过程中记录的数据的分布图

本文以 Tensorflow - Tutorial (4) 中的CNN手写数字识别代码为例,对TensorBoard的相关操作进行演示

用 with tf.name_scope() 为变量名划定范围,同一范围的变量在图中属于同一层级,并且通过”name”属性对变量指定名称

with tf.name_scope('inputs'):X = tf.placeholder("float", [None, 28, 28, 1], name = 'X')Y = tf.placeholder("float", [None, 10], name = 'Y')

通过下面代码可查看权重w在训练过程中的变化情况,其中”w_1”是生成的图表的名字

tf.histogram_summary("w_1", w)

通过如下语句查看测试集中预测准确率和loss随迭代次数的变化情况

tf.scalar_summary("accuracy", acc_op)
tf.scalar_summary('loss', cost)

通过如下语句将所有的summary进行合并,一起进行SummaryWriter

merged = tf.merge_all_summaries()
writer = tf.train.SummaryWriter("logs/", sess.graph)

每一轮迭代结束后,通过如下语句记录所有的summary

writer.add_summary(summary, i)  # Write summary

代码运行完毕后,logs文件夹下会生成一个包含time stamp的tfevents文件,进入logs文件夹所在目录,在命令行中输入如下命令来启动TensorBoard

tensorboard --inspect --logdir=logs/

用浏览器打开命令行中显示的url地址,若在结果显示上出现问题,可参考:Frequently Asked Questions

这里写图片描述

2. 代码

#!/usr/bin/env python
#coding:utf-8
import tensorflow as tf
import numpy as np
import input_databatch_size = 128
test_size = 256def init_weights(shape, s):return tf.Variable(tf.random_normal(shape, stddev=0.01), name = s)def model(X, w, w2, w3, w4, w_o, p_keep_conv, p_keep_hidden):with tf.name_scope('layer_1'):    l1a = tf.nn.relu(tf.nn.conv2d(X, w,                       # l1a shape=(?, 28, 28, 32)strides=[1, 1, 1, 1], padding='SAME'))l1 = tf.nn.max_pool(l1a, ksize=[1, 2, 2, 1],              # l1 shape=(?, 14, 14, 32)strides=[1, 2, 2, 1], padding='SAME')l1 = tf.nn.dropout(l1, p_keep_conv)with tf.name_scope('layer_2'):   l2a = tf.nn.relu(tf.nn.conv2d(l1, w2,                     # l2a shape=(?, 14, 14, 64)strides=[1, 1, 1, 1], padding='SAME'))l2 = tf.nn.max_pool(l2a, ksize=[1, 2, 2, 1],              # l2 shape=(?, 7, 7, 64)strides=[1, 2, 2, 1], padding='SAME')l2 = tf.nn.dropout(l2, p_keep_conv)with tf.name_scope('layer_3'): l3a = tf.nn.relu(tf.nn.conv2d(l2, w3,                     # l3a shape=(?, 7, 7, 128)strides=[1, 1, 1, 1], padding='SAME'))l3 = tf.nn.max_pool(l3a, ksize=[1, 2, 2, 1],              # l3 shape=(?, 4, 4, 128)strides=[1, 2, 2, 1], padding='SAME')l3 = tf.reshape(l3, [-1, w4.get_shape().as_list()[0]])    # reshape to (?, 2048)l3 = tf.nn.dropout(l3, p_keep_conv)with tf.name_scope('layer_4'):l4 = tf.nn.relu(tf.matmul(l3, w4))l4 = tf.nn.dropout(l4, p_keep_hidden)with tf.name_scope('layer_5'):pyx = tf.matmul(l4, w_o)return pyxmnist = input_data.read_data_sets("MNIST_data/", one_hot=True)trX, trY, teX, teY = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels
trX = trX.reshape(-1, 28, 28, 1)  
teX = teX.reshape(-1, 28, 28, 1)  
with tf.name_scope('inputs'):X = tf.placeholder("float", [None, 28, 28, 1], name = 'X')Y = tf.placeholder("float", [None, 10], name = 'Y')p_keep_conv = tf.placeholder("float", name = 'pro_dropout_conv') p_keep_hidden = tf.placeholder("float", name = 'pro_dropout_hidden')with tf.name_scope('weights'):w = init_weights([3, 3, 1, 32],"w_1") w2 = init_weights([3, 3, 32, 64],"w_2")w3 = init_weights([3, 3, 64, 128], "w_3")w4 = init_weights([128 * 4 * 4, 625], "w_4")w_o = init_weights([625, 10], "w_o")# Add histogram summaries for weightstf.histogram_summary("w_1", w)tf.histogram_summary("w_2", w2)tf.histogram_summary("w_3", w3)tf.histogram_summary("w_4", w4)tf.histogram_summary("w_o", w_o)py_x = model(X, w, w2, w3, w4, w_o, p_keep_conv, p_keep_hidden)
with tf.name_scope('loss'):cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(py_x, Y))tf.scalar_summary('loss', cost) # Add scalar summary for cost
with tf.name_scope('train'):train_op = tf.train.RMSPropOptimizer(0.001, 0.9).minimize(cost)
with tf.name_scope('prediction'):correct_pred = tf.equal(tf.argmax(Y, 1), tf.argmax(py_x, 1)) # Count correct predictionsacc_op = tf.reduce_mean(tf.cast(correct_pred, "float")) # Cast boolean to float to average# Add scalar summary for accuracytf.scalar_summary("accuracy", acc_op)
# Launch the graph in a session
with tf.Session() as sess:merged = tf.merge_all_summaries()writer = tf.train.SummaryWriter("logs/", sess.graph)# create a log writertf.initialize_all_variables().run()for i in range(30):loss_sum = 0.0training_batch = zip(range(0, len(trX), batch_size),range(batch_size, len(trX)+1, batch_size))for start, end in training_batch:_, loss_value, summary = sess.run([train_op, cost, merged], feed_dict={X: trX[start:end], Y: trY[start:end],p_keep_conv: 0.8, p_keep_hidden: 0.5})loss_sum +=loss_valueprint i, loss_sumsummary = sess.run(merged, feed_dict={X: teX, Y: teY, p_keep_conv: 1.0, p_keep_hidden: 1.0})writer.add_summary(summary, i)  # Write summary

3. 结果

  1. 在EVENTS中查看预测准确率和loss随迭代次数的变化情况

图片名称

  1. 在GRAPH中查看CNN模型的结构

图片名称

  1. 在HISTOGRAMS中查看权重的变化情况

图片名称

这篇关于Tensorflow - Tutorial (6) : TensorBoard 可视化工具的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/962143

相关文章

使用Python自建轻量级的HTTP调试工具

《使用Python自建轻量级的HTTP调试工具》这篇文章主要为大家详细介绍了如何使用Python自建一个轻量级的HTTP调试工具,文中的示例代码讲解详细,感兴趣的小伙伴可以参考一下... 目录一、为什么需要自建工具二、核心功能设计三、技术选型四、分步实现五、进阶优化技巧六、使用示例七、性能对比八、扩展方向建

基于Python打造一个可视化FTP服务器

《基于Python打造一个可视化FTP服务器》在日常办公和团队协作中,文件共享是一个不可或缺的需求,所以本文将使用Python+Tkinter+pyftpdlib开发一款可视化FTP服务器,有需要的小... 目录1. 概述2. 功能介绍3. 如何使用4. 代码解析5. 运行效果6.相关源码7. 总结与展望1

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

使用Java实现通用树形结构构建工具类

《使用Java实现通用树形结构构建工具类》这篇文章主要为大家详细介绍了如何使用Java实现通用树形结构构建工具类,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录完整代码一、设计思想与核心功能二、核心实现原理1. 数据结构准备阶段2. 循环依赖检测算法3. 树形结构构建4. 搜索子

利用Python开发Markdown表格结构转换为Excel工具

《利用Python开发Markdown表格结构转换为Excel工具》在数据管理和文档编写过程中,我们经常使用Markdown来记录表格数据,但它没有Excel使用方便,所以本文将使用Python编写一... 目录1.完整代码2. 项目概述3. 代码解析3.1 依赖库3.2 GUI 设计3.3 解析 Mark

利用Go语言开发文件操作工具轻松处理所有文件

《利用Go语言开发文件操作工具轻松处理所有文件》在后端开发中,文件操作是一个非常常见但又容易出错的场景,本文小编要向大家介绍一个强大的Go语言文件操作工具库,它能帮你轻松处理各种文件操作场景... 目录为什么需要这个工具?核心功能详解1. 文件/目录存javascript在性检查2. 批量创建目录3. 文件

jvm调优常用命令行工具详解

《jvm调优常用命令行工具详解》:本文主要介绍jvm调优常用命令行工具的用法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一 jinfo命令查看参数1.1 查看jvm参数二 jstack命令2.1 查看现场堆栈信息三 jstat 实时查看堆内存,gc情况3.1

MySQL使用binlog2sql工具实现在线恢复数据功能

《MySQL使用binlog2sql工具实现在线恢复数据功能》binlog2sql是大众点评开源的一款用于解析MySQLbinlog的工具,根据不同选项,可以得到原始SQL、回滚SQL等,下面我们就来... 目录背景目标步骤准备工作恢复数据结果验证结论背景生产数据库执行 SQL 脚本,一般会经过正规的审批

基于Python开发批量提取Excel图片的小工具

《基于Python开发批量提取Excel图片的小工具》这篇文章主要为大家详细介绍了如何使用Python中的openpyxl库开发一个小工具,可以实现批量提取Excel图片,有需要的小伙伴可以参考一下... 目前有一个需求,就是批量读取当前目录下所有文件夹里的Excel文件,去获取出Excel文件中的图片,并