tensorflow—可视化工具TensorBoard的使用
一、TensorBoard介绍
1.TensorBoard使用流程
可视化的数据是数据流图和张量，题目需要在会话中加载或执行操作后才能获取。然后用户需要使用
FileWriter
实例将这些数据写入事件文件。最后，启动
TensorBoard
加载事件文件中的序列化数据，从而可以在各个面板中展示对应的可视化对象。
TensorBoard
使用流程：
TensorBoard
可视化工作流：
2.抽象结点
如果我们将所有的操作完全的加载到面板上，会显得整个数据流图非常的乱，无法一眼清晰的看出整个结构，这样很不方便。所以，我们将有些操作合并起来，取一个名字，生成一个抽象的结点，这些抽象的结点再在面板上可视化就显得结构清晰，不那么的乱。
上图左边是所有的结点都加载，右边是加载抽象结点，可以看见，右边明显要比左边好。
那么如何生成抽象结点呢？
用
with tf.name_scope('抽象结点名称'):
来实现， 比如，将X,Y变量的声明抽象为一个
input
操作：
with tf.name_scope('input'):
# 输入 X, 形状[47, 3]
X = tf.placeholder(tf.float32, X_data.shape)
# 输出 Y， 形状[47, 1]
Y = tf.placeholder(tf.float32, Y_data.shape)
二、TensorBoard使用
1.生成模型的可视化图
（1）不使用抽象结点的可视化
用
FileWriter(r"文件路径", sess.graph)
函数，使用该函数记得
close()
，拿之前的房价预测模型的例子：
alpha = 0.01 # 学习率 alpha = 0.01
epoch = 500 # 训练全局变量的轮数
# 创建线性回归模型（数据流图）
# 1.声明变量
# 输入 X, 形状[47, 3]
X = tf.placeholder(tf.float32, X_data.shape)
# 输出 Y， 形状[47, 1]
Y = tf.placeholder(tf.float32, Y_data.shape)
# 权重变量W，形状[3, 1] 就是训练参数
W = tf.get_variable('Www', (3, 1), initializer=tf.constant_initializer()) # 用tf.constant_initializer()设置参数的初始值，为常数，默认为1
# 2.假设函数 h(x) = w0*x0 + w1*x1 + w2*x2
# 推理值 Y_pred 形状[47, 1]
Y_pred = tf.matmul(X, W)
# 3.建立目标函数
# 损失函数为最小二乘法, Y_pred - Y是形如[47, 1]的向量
emp_op = 1 / (2 * len(X_data)) * tf.matmul((Y_pred - Y), (Y_pred - Y), transpose_a=True)
# 4.优化算法
# 采用梯度下降的优化算法
opt = tf.train.GradientDescentOptimizer(learning_rate=alpha)
# 单步训练操作
train_op = opt.minimize(emp_op)
# 5.创建会话（运行环境）
with tf.Session() as sess:
# 初始化全局变量
sess.run(tf.global_variables_initializer())
# 填充数据
for e in range(1, epoch + 1):
sess.run(train_op, feed_dict={X: X_data, Y: Y_data})
loss, w = sess.run([emp_op, W], feed_dict={X: X_data, Y: Y_data})
if e%10 == 0:
loss, w = sess.run([emp_op, W], feed_dict={X: X_data, Y: Y_data})
print('epoch:{} \t loss={} \t Model: y={}*x2 + {}*x1 + {}'.format(e, loss[0][0], w[1][0], w[2][0], w[0][0]))
在anaconda prompt中使用
tensorboard --logdir="C:\Users\Dream^hao\tensorflow_study\study\chapter-4\summary\graph-1"
查看：
然后在浏览器中打开：
http://localhost:6006/
就可以看到可视化的图
生成的可视化图为：
(2）使用抽象结点后生成的代码：
alpha = 0.01 # 学习率 alpha = 0.01
epoch = 500 # 训练全局变量的轮数
# 创建线性回归模型（数据流图）
with tf.name_scope('input'):
# 1.声明变量
# 输入 X, 形状[47, 3]
X = tf.placeholder(tf.float32, X_data.shape)
# 输出 Y， 形状[47, 1]
Y = tf.placeholder(tf.float32, Y_data.shape)
with tf.name_scope('hypotheis'):
# 权重变量W，形状[3, 1] 就是训练参数
W = tf.get_variable('Www', (3, 1), initializer=tf.constant_initializer()) # 用tf.constant_initializer()设置参数的初始值，为常数，默认为1
# 2.假设函数 h(x) = w0*x0 + w1*x1 + w2*x2
# 推理值 Y_pred 形状[47, 1]
Y_pred = tf.matmul(X, W)
with tf.name_scope('loss'):
# 3.建立目标函数
# 损失函数为最小二乘法, Y_pred - Y是形如[47, 1]的向量
emp_op = 1 / (2 * len(X_data)) * tf.matmul((Y_pred - Y), (Y_pred - Y), transpose_a=True)
with tf.name_scope('train'):
# 4.优化算法
# 采用梯度下降的优化算法
opt = tf.train.GradientDescentOptimizer(learning_rate=alpha)
# 单步训练操作
train_op = opt.minimize(emp_op)
# 5.创建会话（运行环境）
with tf.Session() as sess:
# 初始化全局变量
sess.run(tf.global_variables_initializer())
# 创建 FileWriter 实例
writer = tf.summary.FileWriter('./summary/graph-1/', sess.graph)
# 填充数据
for e in range(1, epoch + 1):
sess.run(train_op, feed_dict={X: X_data, Y: Y_data})
loss, w = sess.run([emp_op, W], feed_dict={X: X_data, Y: Y_data})
if e%10 == 0:
loss, w = sess.run([emp_op, W], feed_dict={X: X_data, Y: Y_data})
print('epoch:{} \t loss={} \t Model: y={}*x2 + {}*x1 + {}'.format(e, loss[0][0], w[1][0], w[2][0], w[0][0]))
writer.close()
使用抽象结点后生成的可视化图为: