TensorBoard 用法简单解析

介绍

TensorBoard是谷歌开发的一个用于实时监控Tensorflow运行状态的一款工具,它能够实时监控Tensoflow 运行过程中的计算图、各种指标随时间变化的趋势以及我们想要让他显示的各项数据。

简单的例子

在学习卷积过程中,我虽然明白了卷积的过程是为了泛化图像信息,但总是想把卷积操作后的图像显示出来,看看卷积之后得到的数据和原始图像之间是否有一些这样那样的关系。

于是乎,当我接触到TensorBorad的时候就开始研究如何显示图像,以下是一段利用TensorFlow 生成图像日志信息,采用TensorBoard显示的一段代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("D:\\tensorflow\\mnist\\input_data",one_hot=True)
sess = tf.Session()
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
W_conv1 = weight_variable([5, 5, 1, 1])
x_image = tf.reshape(x, [-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1))
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([5, 5, 1, 1])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) )
h_pool2 = max_pool_2x2(h_conv2)
tf.summary.image("input", x_image, 10)
tf.summary.image("juanji1", h_conv1, 10)
tf.summary.image("chihua1", h_pool1, 10)
tf.summary.image("juanji2", h_conv2, 10)
tf.summary.image("chihua2", h_pool2, 10)
merged = tf.summary.merge_all()
writer = tf.summary.FileWriter("D:\\TFlogs\\mnist003", sess.graph)
sess.run(tf.global_variables_initializer())
#for i in range(1):
batch = mnist.train.next_batch(10)
res ,_ = sess.run([merged,h_pool1],feed_dict={x: batch[0], y_: batch[1]})
writer.add_summary(res,1)
writer.close()

通过这段代码,大家可以在我们部署的TensorBoard网站中看到卷积池化操作的过程,整个过程其实是在泛化图像特征:

原始数据:

第一次卷积:

第一次池化:

第二次卷积:

第二次池化:

之后再利用这些数据去训练。