tensorflow-可视化

先学习几个英文单词

summary　　汇总，摘要

scope　　　 范围

我这是很早以前的笔记，后来有了博客才发布的，有些内容比较老，懒得改了。 

先说明总体流程

暂时不管怎么编程，假设已经有了如下代码，可执行的。

# encoding:utf-8
import tensorflow as tf

print('version:', tf.__version__)
foo = tf.Variable(3, name='foo')
bar = tf.Variable(2, name='bar')
result = tf.add(foo, bar, name='add')
# 初始化变量
init = tf.global_variables_initializer()
# 启动图 (graph)
sess = tf.Session()
sess.run(init)
res = sess.run(result)
print('result:', res)
train_writer = tf.summary.FileWriter('log2', sess.graph)

可视化效果，先感性认识一下

可视化简要步骤

1.运行该代码

　　// 此时在log2中已经生成文件

2.启动可视化工具

　　a. 找到tensorflow下的tensorboard.py文件，运行该文件，python tensorboard.py --logdir=...../log2/　　　　注意这里的路径和代码里的路径要一致 （这是老版本的）

　　b. 直接运行 tensorboard --host=10.10.101.2 --port=6099 --logdir="my_graph"　　

　　　　// tensorBoard 不需要额外的安装，在tensorflow安装完成时，TensorBoard会被自动安装

　　　　// port host 可有可无

　　　　// 目录不带引号

3. 在浏览器中 访问 localhost:6006，点击graphs，即可看到

4. 注意每运行一次代码就要重启这个工具

详细说明

1. 数据序列化

tf可视化实际上是把运算数据序列化到本地，然后用浏览器加载这些数据

这个本地文件叫 ‘事件文件’，通过tensorboard来读取

weights = tf.Variable(tf.random_normal([3,2]), name='w')
sess = tf.Session()
writer = tf.summary.FileWriter('log2', sess.graph)　　　　# 序列化

SummaryWriter 两个参数，第一个参数是序列化的地址，第二个参数可选，如果输入了该参数，tensorboard就会显示图像。

2. 名字的作用域 scope

tf.name_scope() 会创建一个作用域，该作用域下的变量名都会加上该作用域的名字

with tf.name_scope('test'):
    weights = tf.Variable(tf.random_normal([3,2]), name='w')

sess = tf.Session()
writer = tf.summary.FileWriter('log2', sess.graph)

以上两步基本上就可以实现画图了

但是可视化不止画图

3.可视化内容

1. events 就是那些变量， 序列化后存到本地

　　// 通过向节点附加 scalar_summary 操作来输出变量

2. graphs 就是图，图里只有网络结构，没有数据

3. histograms 是直方图，把数据画成直方图

　　// 通过向节点附加 histogram_summary 操作来输出直方图

这其实都是先存数据，再可视化，所以也是需要在绘画中执行，那么如果你想输出很多数据，就需要在会话中挨个输出，很麻烦

tf 提供了一个合并操作，就是将这些输出合并，在会话中一次性全部输出，接口 tf.merge_all_summaries()

# coding:utf-8
import tensorflow as tf
import numpy as np

# 此代码仅用于可视化

x_data = np.random.rand(100).astype("float32")

with tf.name_scope('y_data'):
    y_data = x_data * 2.5 + 0.8
    # tf.histogram_summary("method_demo"+"/y_data",y_data)
    tf.summary.histogram("method_demo"+"/y_data",y_data)

with tf.name_scope('W'):
    W = tf.Variable(tf.random_uniform([1], -200.0, 200.0))
    tf.summary.histogram("method_demo"+"/W",W)

with tf.name_scope('b'):
    b = tf.Variable(tf.zeros([1]))
    tf.summary.histogram("method_demo"+"/b",b)

with tf.name_scope('y'):
    y = W * x_data + b
    tf.summary.histogram("method_demo"+"/y",y)

# 最小化均方
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(y - y_data))
    tf.summary.histogram("method_demo"+"/loss",loss)
    tf.summary.scalar("method_demo222"+'loss',loss)

optimizer = tf.train.GradientDescentOptimizer(0.7)
with tf.name_scope('train'):
    train = optimizer.minimize(loss)

init = tf.global_variables_initializer()

sess = tf.Session()

#合并到Summary中
merged = tf.summary.merge_all()

#选定可视化存储目录
writer = tf.summary.FileWriter('log2',sess.graph)

sess.run(init)

# 开始计算
for step in range(500):
    sess.run(train)
    # tf.histogram_summary('method_demo'+'/train',train)
    if step % 5 == 0:
        print(step, "W:",sess.run(W),"b:", sess.run(b))

        result = sess.run(merged)           #merged也是需要run的
        writer.add_summary(result,step)     #result是summary类型     (result 纵坐标  step 横坐标)

运行 tensorboard，即可在浏览器访问

异常记录

1. InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'input/input_y' with dtype float and shape [100,1]

这个问题我查了好久，各种回答都有，都验证无效，解决方案见代码

# 以下皆可
    merged = tf.summary.merge_all()
    # merged = tf.summary.merge([loss_scalar])

    writer = tf.summary.FileWriter('logs', sess.graph)

    sess.run(init)
    for i in range(1000):
        loss2, _ = sess.run([loss, optimizer], feed_dict={input_x:x[:, np.newaxis], input_y:y[:, np.newaxis]})

        # result = sess.run(merged)     # 这样写报错
        # InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'input/input_y' with dtype float and shape [100,1]
        result = sess.run(merged, feed_dict={input_x:x[:, np.newaxis], input_y:y[:, np.newaxis]})

        writer.add_summary(result, i)

需要喂参数