TensorBoard是TensorFlow 的可视化工具。主要为了更方便用户理解 TensorFlow 程序、调试与优化,用户可以用 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 通过读取 TensorFlow 的事件文件来运行。TensorFlow 的事件文件包括了在 TensorFlow 运行中涉及到的主要数据,在运行计算图后,tensorflow会在当前文件夹下,生成一个log文件夹,所有的事件文件都会放在文件夹中,每次运行文件都会生成一个日志文件。tensorboard是通过运行这些日志文件把计算图过程可视化。
下面我们来看个简单例子:
import tensorflow as tf with tf.Graph().as_default(): x=tf.placeholder(tf.float32,name='x') y_true=tf.placeholder(tf.float32,name='y_true') writer=tf.summary.FileWriter(logdir='logs',graph=tf.get_default_graph()) writer.close()运行上面代码会在当前目录下生成一个logs的文件夹,然后我们可以通过tensorboard运行这个日志文件来展示计算图。
tensorboard --logdir=C:\Users\Administrator\PycharmProjects\untitled2\logs其中tensorboard --logdir运行事件文件的命令行,C:\Users\Administrator\PycharmProjects\untitled2\logs为日志文件的路径
需要注意的是运行tensorboard命令时,需要先进入到tesorboard的安装文件夹下,或者已经在系统中设定好了环境变量
运行后会生成一段类似这样的代码TensorBoard 0.4.0rc3 at :6006 (Press CTRL+C to quit)
把其中:6006的地址复制到浏览器打开,就能进入tensorboard界面。
下面是简单线性模型代码和计算图
import tensorflow as tf with tf.Graph().as_default(): #name_scope作用是给节点添加名称,以便生成简洁的tensorboard with tf.name_scope('input'): #添加占位符 x=tf.placeholder(tf.float32,name='x') y_true=tf.placeholder(tf.float32,name='y_true') with tf.name_scope('inference'): #添加变量 w=tf.Variable(tf.zeros([1]),name='weight') b = tf.Variable(tf.zeros([1]),name='bias') #添加模型函数 y_pre=tf.add(tf.multiply(x,w),b) #添加损失函数 loss_function=tf.reduce_mean(tf.pow(y_true-y_pre,2))/2 #梯度计算(learning_rate 是学习步长) optimizer=tf.train.GradientDescentOptimizer(learning_rate=0.01) #添加训练节点 trian=optimizer.minimize(loss_function) #添加评估节点 envalue=tf.reduce_mean(tf.pow(y_true-y_pre,2))/2 #初始化变量和节点 init=tf.global_variables_initializer() writer=tf.summary.FileWriter(logdir='logs',graph=tf.get_default_graph()) writer.close()呈现的结果如下: