炼数成金 门户 商业智能 深度学习 查看内容

tensorboard 指南

2019-12-24 10:21| 发布者: 炼数成金_小数| 查看: 46175| 评论: 0|原作者: 晟 沚|来自: 机器学习算法工程师

摘要: tensorFlow 图表有两种连接关系:数据依赖和控制依赖。数据依赖显示两个操作之间的tensor流程,用实心箭头指示,而控制依赖用点线表示。
01、名称域
tensorFlow 图表有两种连接关系:数据依赖和控制依赖。数据依赖显示两个操作之间的tensor流程,用实心箭头指示,而控制依赖用点线表示。

02、实现原理
Event: 展示训练过程中的统计数据(最值,均值等)变化情况
Image: 展示训练过程中记录的图像
Audio: 展示训练过程中记录的音频
Histogram: 展示训练过程中记录的数据的分布图

具体原理:
在运行过程中,记录结构化的数据
运行一个本地服务器,监听6006端口
请求时,分析记录的数据,绘制

在构建graph的过程中,记录你想要追踪的Tensor
with tf.name_scope('output_act'):
    hidden = tf.nn.relu6(tf.matmul(reshape, output_weights[0]) + output_biases)
    tf.histogram_summary('output_act', hidden)
Graph的最后要写一句这个,给session回调
merged = tf.merge_all_summaries()

Session 中调用
构造两个writer,分别在train和valid的时候写数据:
train_writer = tf.train.SummaryWriter(summary_dir + '/train', session.graph)
valid_writer = tf.train.SummaryWriter(summary_dir + '/valid')

这里的summary_dir存放了运行过程中记录的数据,等下启动服务器要用到

构造run_option和run_meta,在每个step运行session时进行设置:
summary, _, l, predictions = session.run([merged, optimizer,loss,train_prediction], options=run_options, feed_dict=feed_dict)

注意要把merged拿回来,并且设置options

在每次训练时,记一次:
train_writer.add_summary(summary, step)

在每次验证时,记一次:
valid_writer.add_summary(summary, step)

达到一定训练次数后,记一次meta做一下标记
train_writer.add_run_metadata(run_metadata, 'step%03d' % step)

03、借用各个板块的可视化结果来帮助我们调优模型
step 1: 查看 graph 结构
step 2:查看 accuracy,weights,biases
step 3: 修改 code
step 4: 选择最优模型
step 5: 用 embedding 进一步查看 error 出处

04、可视化训练过程代码
tf.histogram_summary()

用来绘制图片, 第一个参数是图表的名称, 第二个参数是图表要记录的变量

 tf.summary.histogram(layer_name + '/weights', Weights)

tf.Scalar_summary()

Loss 的变化图和之前设置的方法略有不同. loss是在tesnorBorad 的event下面的

   tf.summary.scalar('loss', loss)

tf.merge_all_summaries()

方法会对我们所有的 summaries合并到一起.

sess= tf.Session()

merged = tf.summary.merge_all()

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

sess.run(tf.global_variables_initializer())

writer.add_summary

以上这些仅仅可以记录很绘制出训练的图表, 但是不会记录训练的数据。为了较为直观显示训练过程中每个参数的变化,我们每隔上50次就记录一次结果 , 同时我们也应注意, merged 也是需要run 才能发挥作用的,所以在for循环中写下:

for i in range(1000):
   sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
   if i%50 == 0:
      rs = sess.run(merged,feed_dict={xs:x_data,ys:y_data})
      writer.add_summary(rs, i)

tensorboard --logdir logs

程序运行完毕之后, 会产生logs目录 , 使用命令

声明:文章收集于网络,版权归原作者所有,为传播信息而发,如有侵权,请联系小编删除,谢谢!

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括:各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

鲜花

握手

雷人

路过

鸡蛋

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

 

GMT+8, 2020-11-29 18:14 , Processed in 0.122016 second(s), 23 queries .