最近在研究tensorflow自带的例程speech_command,顺便学习tensorflow的一些基本用法。
其中tensorboard 作为一款可视化神器，可以说是学习tensorflow时模型训练以及参数可视化的法宝。
而在训练过程中，主要用到了tf.summary()的各类方法，能够保存训练过程以及参数分布图并在tensorboard显示。
tf.summary有诸多函数：
1、tf.summary.scalar
用来显示标量信息，其格式为：
|
1
|
tf.summary.scalar(tags, values, collections=None, name=None) |
例如：tf.summary.scalar('mean', mean)
一般在画loss,accuary时会用到这个函数。
2、tf.summary.histogram
用来显示直方图信息，其格式为：
|
1
|
tf.summary.histogram(tags, values, collections=None, name=None) |
例如： tf.summary.histogram('histogram', var)
一般用来显示训练过程中变量的分布情况
3、tf.summary.distribution
分布图，一般用于显示weights分布
4、tf.summary.text
可以将文本类型的数据转换为tensor写入summary中：
例如：
|
1
2
|
text = """/a/b/c\\_d/f\\_g\\_h\\_2017"""summary_op0 = tf.summary.text('text', tf.convert_to_tensor(text)) |
5、tf.summary.image
输出带图像的probuf，汇总数据的图像的的形式如下： ' tag /image/0', ' tag /image/1'...，如：input/image/0等。
格式：tf.summary.image(tag, tensor, max_images=3, collections=None, name=Non
6、tf.summary.audio
展示训练过程中记录的音频
7、tf.summary.merge_all
merge_all 可以将所有summary全部保存到磁盘，以便tensorboard显示。如果没有特殊要求，一般用这一句就可一显示训练时的各种信息了。
格式：tf.summaries.merge_all(key='summaries')
8、tf.summary.FileWriter
指定一个文件用来保存图。
格式：tf.summary.FileWritter(path,sess.graph)
可以调用其add_summary（）方法将训练过程数据保存在filewriter指定的文件中
Tensorflow Summary 用法示例:
|
1
2
3
4
5
6
7
|
tf.summary.scalar('accuracy',acc) #生成准确率标量图 merge_summary = tf.summary.merge_all() train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件，dir为写入文件地址 ......(交叉熵、优化器等定义) for step in xrange(training_step): #训练循环 train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图，生成一步的训练过程数据 train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存 |
此时开启tensorborad：
|
1
|
tensorboard --logdir=/summary_dir |
便能看见accuracy曲线了。
另外，如果我不想保存所有定义的summary信息，也可以用tf.summary.merge方法有选择性地保存信息：
9、tf.summary.merge
格式：tf.summary.merge(inputs, collections=None, name=None)
一般选择要保存的信息还需要用到tf.get_collection()函数
示例：
|
1
2
3
4
5
6
7
|
tf.summary.scalar('accuracy',acc) #生成准确率标量图 merge_summary = tf.summary.merge([tf.get_collection(tf.GraphKeys.SUMMARIES,'accuracy'),...(其他要显示的信息)]) train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件，dir为写入文件地址 ......(交叉熵、优化器等定义) for step in xrange(training_step): #训练循环 train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图，生成一步的训练过程数据 train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存 |
使用tf.get_collection函数筛选图中summary信息中的accuracy信息，这里的
tf.GraphKeys.SUMMARIES 是summary在collection中的标志。
当然，也可以直接：
|
1
2
|
acc_summary = tf.summary.scalar('accuracy',acc) #生成准确率标量图 merge_summary = tf.summary.merge([acc_summary ,...(其他要显示的信息)]) #这里的[]不可省 |
如果要在tensorboard中画多个数据图，需定义多个tf.summary.FileWriter并重复上述过程。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/lyc-seu/p/8647792.html
