我是一个很懒的人，我想试试
希望我能坚持到最后，把tensorflow的官方教程全部翻译出来
提高自己，也帮助他人
TensorBoard: Visualizing Learning
使用 TensorFlow 计算，如训练一个大型的深度神经网络，可能会非常的复杂与难以理解。为了使其容易理解，调试和优化 TensorFlow 程序，我们有一套叫做 TensorBoard 的可视化工具。你可以使用 TensorBoard 可视化你的 TensorFlow 图，绘制图执行的量化指标，并通过它以图像的形式显示附加的数据。当 TensorBoard 设置完成后，它看起来就像下面这样：
MNIST TensorBoard
本教程旨在教会你入门简单的 TensorBoard 用法。还有其他的资源是可用的。如 TensorBoard’s GitHub 有很多关于 TensorBoard 使用的信息，包括了提示，技巧以及调试信息。
Serializing the data
TensorBoard 通过读取 TensorFlow 事件文件来操作，它包括了运行 TensorFlow 过程中生成的汇总数据。以下是 TensorBoard 在一般的生命周期中产生的汇总数据。
首先，创建你想要收集汇总数据的 TensorFlow 图，并决定你想要哪个节点使用 汇总操作 注释(annotate)。
例如，假设你要训练一个卷积神经网络识别 MNIST 数字，你想要记录在整个训练过程中学习率是如何变化的，目标函数是如何变化的。通过向节点附加 tf.summary.scalar 操作来收集这些数据，并分别输出学习率和损失。然后给每个 scalar_summary 一个有意义的 tag，如'learning rate' or 'loss function' 。
也许你想要可视化一个特定层的激活分布，或者梯度或者权重的分布。可以通过分别向梯度输出和权重变量附加 tf.summary.histogram 操作来收集这些数据。
有关可用的汇总操作的所有详细信息，请查阅有关文档summary operations 。
在 TensorFlow 中，操作只有当你执行或者一个操作依赖它的输出时才会执行。我们创建的汇总节点(summary nodes)都围绕在你的图的边上：没有一个操作的运行是依赖它们的。所以，为了生成汇总节点，我们需要运行所有的汇总节点。手动管理这些是很乏味的，所以使用 tf.summary.merge_all 联合它们到一个操作来生成所有的汇总数据。
然后你可以只执行合并汇总操作，它将在一个给定的步骤将所有的汇总数据生成一个序列化的Summary protobuf 对象。最后，为了将这个汇总数据写入到硬盘，传递汇总 protobuf 到tf.summary.FileWriter 。
FileWriter 的构造函数是带有 logdir 参数的——这个 logdir 非常重要，是所有的事件输出的目录。FileWriter 在构造函数中也可以使用Graph 这个可选参数。如果接收到一个Graph 对象，那么 TensorBoard 将随着张量 shape 信息可视化 graph。这将使你更好的理解图中运行情况：请查阅 Tensor shape information 。
注意你已经修改了你的 graph，并有了一个 FileWriter ，你已准备开始运行你的网络了！如果你需要，你可以在每一步中运行合并汇总操作并保存大量的训练数据。这样你将得到超出你需要的很多的数据，相反你可以考虑每 n 个步骤运行一次合并汇总操作。
以下代码实例修改于 simple MNIST tutorial ，我们只是增加了一些汇总操作，并每十个步骤运行一次它们。如果你运行这个并启动 tensorboard --logdir=/tmp/tensorflow/mnist ，你将能够可视化这些统计数据，例如在训练期间，权重或者准确率是如何变化的。以下只是代码的部分，完整代码 在这 。
def variable_summaries(var):
"""Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""
with tf.name_scope('summaries'):
mean = tf.reduce_mean(var)
tf.summary.scalar('mean', mean)
with tf.name_scope('stddev'):
stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
tf.summary.scalar('stddev', stddev)
tf.summary.scalar('max', tf.reduce_max(var))
tf.summary.scalar('min', tf.reduce_min(var))
tf.summary.histogram('histogram', var)
def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
"""Reusable code for making a simple neural net layer.
It does a matrix multiply, bias add, and then uses relu to nonlinearize.
It also sets up name scoping so that the resultant graph is easy to read,
and adds a number of summary ops.
"""
# Adding a name scope ensures logical grouping of the layers in the graph.
with tf.name_scope(layer_name):
# This Variable will hold the state of the weights for the layer
with tf.name_scope('weights'):
weights = weight_variable([input_dim, output_dim])
variable_summaries(weights)
with tf.name_scope('biases'):
biases = bias_variable([output_dim])
variable_summaries(biases)
with tf.name_scope('Wx_plus_b'):
preactivate = tf.matmul(input_tensor, weights) + biases
tf.summary.histogram('pre_activations', preactivate)
activations = act(preactivate, name='activation')
tf.summary.histogram('activations', activations)
return activations
hidden1 = nn_layer(x, 784, 500, 'layer1')
with tf.name_scope('dropout'):
keep_prob = tf.placeholder(tf.float32)
tf.summary.scalar('dropout_keep_probability', keep_prob)
dropped = tf.nn.dropout(hidden1, keep_prob)
# Do not apply softmax activation yet, see below.
y = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)
with tf.name_scope('cross_entropy'):
# The raw formulation of cross-entropy,
#
# tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(tf.softmax(y)),
# reduction_indices=[1]))
#
# can be numerically unstable.
#
# So here we use tf.nn.softmax_cross_entropy_with_logits on the
# raw outputs of the nn_layer above, and then average across
# the batch.
diff = tf.nn.softmax_cross_entropy_with_logits(targets=y_, logits=y)
with tf.name_scope('total'):
cross_entropy = tf.reduce_mean(diff)
tf.summary.scalar('cross_entropy', cross_entropy)
with tf.name_scope('train'):
train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(
cross_entropy)
with tf.name_scope('accuracy'):
with tf.name_scope('correct_prediction'):
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
with tf.name_scope('accuracy'):
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.summary.scalar('accuracy', accuracy)
# Merge all the summaries and write them out to /tmp/mnist_logs (by default)
merged = tf.summary.merge_all()
train_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/train',
sess.graph)
test_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/test')
tf.global_variables_initializer().run()
在我们初始化 FileWriters 之后，我们必须在我们训练和测试模型时附加汇总到 FileWriters 。
# Train the model, and also write summaries.
# Every 10th step, measure test-set accuracy, and write test summaries
# All other steps, run train_step on training data, & add training summaries
def feed_dict(train):
"""Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
if train or FLAGS.fake_data:
xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)
k = FLAGS.dropout
else:
xs, ys = mnist.test.images, mnist.test.labels
k = 1.0
return {x: xs, y_: ys, keep_prob: k}
for i in range(FLAGS.max_steps):
if i % 10 == 0: # Record summaries and test-set accuracy
summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
test_writer.add_summary(summary, i)
print('Accuracy at step %s: %s' % (i, acc))
else: # Record train set summaries, and train
summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
train_writer.add_summary(summary, i)
你现在已经准备好使用 TensorBoard 可视化这些数据。
Launching TensorBoard
运行 TensorBoard，请使用以下命令(或者 python -m tensorboard.main)
tensorboard --logdir=path/to/log-directory
其中logdir 指向FileWriter 序列化其数据的目录。如果logdir 目录包含单独运行的序列化数据的子目录，TensorBoard 将可视化所有的这些运行的数据。一旦 TensorBoard 运行起来，输入 localhost:6006 到你的 web 浏览器，已查看 TensorBoard。
当浏览 TensorBoard 时，你将在右上角看到导航标签。每个标签表示可以可视化的一系列序列化数据。
有关如何使用 graph 选项卡可视化图的更多信息，请查阅 TensorBoard: Graph Visualization 。
有关 TensorBoard 的更多的使用信息，请查阅 TensorBoard’s GitHub 。
