在TensorFlow中，最常用的可视化方法有三种途径，分别为TensorFlow与OpenCv的混合编程、利用Matpltlib进行可视化、利用TensorFlow自带的可视化工具TensorBoard进行可视化。这三种方法，在前面博客中都有过比较详细的介绍。但是，TensorFlow中最重要的可视化方法是通过tensorBoard、tf.summary和tf.summary.FileWriter这三个模块相互合作来完成的。
tf.summary模块的定义位于summary.py文件中，该文件中主要定义了在进行可视化将要用到的各种函数，tf.summary包含的主要函数如下所示：
|
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
|
from __future__ import absolute_importfrom __future__ import pisionfrom __future__ import print_functionfrom google.protobuf import json_format as _json_formatfrom tensorflow.core.framework.summary_pb2 import Summaryfrom tensorflow.core.framework.summary_pb2 import SummaryDescriptionfrom tensorflow.core.util.event_pb2 import Eventfrom tensorflow.core.util.event_pb2 import SessionLogfrom tensorflow.core.util.event_pb2 import TaggedRunMetadatafrom tensorflow.python.eager import context as _contextfrom tensorflow.python.framework import dtypes as _dtypesfrom tensorflow.python.framework import ops as _opsfrom tensorflow.python.ops import gen_logging_ops as _gen_logging_opsfrom tensorflow.python.ops import summary_op_util as _summary_op_utilfrom tensorflow.python.ops.summary_ops import tensor_summaryfrom tensorflow.python.summary.text_summary import text_summary as textfrom tensorflow.python.summary.writer.writer import FileWriterfrom tensorflow.python.summary.writer.writer_cache import FileWriterCachefrom tensorflow.python.util import compat as _compatfrom tensorflow.python.util.all_util import remove_undocumentedfrom tensorflow.python.util.tf_export import tf_export#========================================================================================================#模块说明:# tf.summary中包含的主要函数#========================================================================================================def scalar(name, tensor, collections=None, family=None) def image(name, tensor, max_outputs=3, collections=None, family=None)def histogram(name, values, collections=None, family=None)def audio(name, tensor, sample_rate, max_outputs=3, collections=None,family=None)def merge(inputs, collections=None, name=None)def merge_all(key=_ops.GraphKeys.SUMMARIES, scope=None)def get_summary_description(node_def) |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
#========================================================================================================#函数原型:# def scalar(name, tensor, collections=None, family=None)#函数说明：# [1]输出一个含有标量值的Summary protocol buffer，这是一种能够被tensorboard模块解析的【结构化数据格式】# [2]用来显示标量信息# [3]用来可视化标量信息# [4]其实，tensorflow中的所有summmary操作都是对计算图中的某个tensor产生的单个summary protocol buffer，而# summary protocol buffer又是一种能够被tensorboard解析并进行可视化的结构化数据格式# 虽然，上面的四种解释可能比较正规，但是我感觉理解起来不太好，所以，我将tf.summary.scalar()函数的功能理解为：# [1]将【计算图】中的【标量数据】写入TensorFlow中的【日志文件】，以便为将来tensorboard的可视化做准备#参数说明：# [1]name :一个节点的名字，如下图红色矩形框所示# [2]tensor:要可视化的数据、张量#主要用途：# 一般在画loss曲线和accuary曲线时会用到这个函数。#======================================================================================================= |
具体的使用方法如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
#=======================================================================================================================#函数说明：# 生成【变量】的监控信息，并将生成的监控信息写入【日志文件】#参数说明：# [1]var :需要【监控】和【记录】运行状态的【张量】# [2]name:给出了可视化结果中显示的图表名称#=======================================================================================================================def variable_summaries(var,name): with tf.name_scope(‘summaries‘): #【1】通过tf.summary.histogram() tf.summary.histogram(name,var) mean = tf.reduce_mean(var) tf.summary.scalar(‘mean/‘+name,mean) stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean))) tf.summary.scalar(‘stddev/‘+name,stddev) |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
#========================================================================================================#函数原型:# def image(name, tensor, max_outputs=3, collections=None, family=None)#函数说明：# [1]输出一个包含图像的summary,这个图像是通过一个4维张量构建的，这个张量的四个维度如下所示：# [batch_size,height, width, channels]# [2]其中参数channels有三种取值：# [1]1: `tensor` is interpreted as Grayscale,如果为1，那么这个张量被解释为灰度图像# [2]3: `tensor` is interpreted as RGB,如果为3，那么这个张量被解释为RGB彩色图像# [3]4: `tensor` is interpreted as Grayscale,如果为4，那么这个张量被解释为RGBA四通道图像# [3]输入给这个函数的所有图像必须规格一致(长，宽，通道，数据类型)，并且数据类型必须为uint8，即所有的像素值在# [0,255]这个范围# 虽然，上面的三种解释可能比较正规，但是我感觉理解起来不太好，所以，我将tf.summary.image()函数的功能理解为：# [1]将【计算图】中的【图像数据】写入TensorFlow中的【日志文件】，以便为将来tensorboard的可视化做准备##参数说明：# [1]name :一个节点的名字，如下图红色矩形框所示# [2]tensor:要可视化的图像数据，一个四维的张量，元素类型为uint8或者float32，维度为[batch_size, height,# width, channels]# [3]max_outputs:输出的通道数量，可以结合下面的示例代码进行理解#主要用途：# 一般用在神经网络中图像的可视化#======================================================================================================== |
示例代码如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
|
def main(argv=None): #【1】从磁盘加载数据 mnist = input_data.read_data_sets(‘F:/MnistSet/‘,one_hot=True) #【2】定义两个【占位符】，作为【训练样本图片/此块样本作为特征向量存在】和【类别标签】的输入变量，并将这些占位符存在命名空间input中 with tf.name_scope(‘input‘): x = tf.placeholder(‘float‘, [None, 784],name=‘x-input‘) y_ = tf.placeholder(‘float‘, [None, 10], name=‘y-input‘) #【2】将【输入的特征向量】还原成【图片的像素矩阵】，并通过tf.summary.image函数定义将当前图片信息作为写入日志的操作 with tf.name_scope(‘input_reshape‘): image_shaped_input = tf.reshape(x,[-1,28,28,1]) tf.summary.image(‘input‘,image_shaped_input,10) |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
#========================================================================================================#函数原型:# def histogram(name, values, collections=None, family=None)#函数说明：# [1]用来显示直方图信息# [2]添加一个直方图的summary,它可以用于可视化您的数据的分布情况，关于TensorBoard中直方图更加具体的信息可以在# 下面的链接https://www.tensorflow.org/programmers_guide/tensorboard_histograms中获取## 虽然，上面的两种解释可能比较正规，但是我感觉理解起来不太好，所以，我将tf.summary.histogram()函数的功能理解为： # [1]将【计算图】中的【数据的分布/数据直方图】写入TensorFlow中的【日志文件】，以便为将来tensorboard的可视化做准备#参数说明：# [1]name :一个节点的名字，如下图红色矩形框所示# [2]values:要可视化的数据，可以是任意形状和大小的数据 #主要用途：# 一般用来显示训练过程中变量的分布情况#======================================================================================================== |
示例代码如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
#=======================================================================================================================#函数说明：# 生成一层全连接层神经网络#=======================================================================================================================def nn_layer(input_tensor,input_dim,output_dim,layer_name,act=tf.nn.relu): with tf.name_scope(layer_name): with tf.name_scope(‘weights‘): weights = tf.Variable(tf.truncated_normal([input_dim,output_dim],stddev=0.1)) variable_summaries(weights,layer_name+‘/weights‘) with tf.name_scope(‘biases‘): biases = tf.Variable(tf.constant(0.0,shape=[output_dim])) variable_summaries(biases,layer_name+‘/biases‘) with tf.name_scope(‘Wx_plus_b‘): preactivate = tf.matmul(input_tensor,weights)+biases tf.summary.histogram(layer_name+‘/pre_activvations‘,preactivate) activations = act(preactivate,name=‘activation‘) tf.summary.histogram(layer_name+‘/activations‘,activations) return activations |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
#========================================================================================================#函数原型:# def merge_all(key=_ops.GraphKeys.SUMMARIES, scope=None)#函数说明：# [1]将之前定义的所有summary整合在一起# [2]和TensorFlow中的其他操作类似，tf.summary.scalar、tf.summary.histogram、tf.summary.image函数也是一个# op，它们在定义的时候，也不会立即执行，需要通过sess.run来明确调用这些函数。因为，在一个程序中定义的写日志操作# 比较多，如果一一调用，将会十分麻烦，所以Tensorflow提供了tf.summary.merge_all()函数将所有的summary整理在一# 起。在TensorFlow程序执行的时候，只需要运行这一个操作就可以将代码中定义的所有【写日志操作】执行一次，从而将# 所有的日志写入【日志文件】。##参数说明：# [1]key : 用于收集summaries的GraphKey，默认的为GraphKeys.SUMMARIES# [2]scope：可选参数#======================================================================================================== |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
#========================================================================================================#类定义原型:# class FileWriter(SummaryToEventTransformer)#类说明：# [1]将Summary protocol buffers写入磁盘文件# [2]FileWriter类提供了一种用于在给定目录下创建事件文件的机制，并且将summary数据写入硬盘#构造函数：# def __init__(self,logdir,graph=None,max_queue=10,flush_secs=120,graph_def=None,filename_suffix=None):#参数说明：# [1]self : 类对象自身# [2]logdir：用于存储【日志文件】的目录# [3]graph : 将要存储的计算图#应用示例：# summary_writer = tf.summary.FileWriter(SUMMARY_DIR,sess.graph)：创建一个FileWrite的类对象，并将计算图# 写入文件#======================================================================================================== |
示例代码如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
merged = tf.summary.merge_all()#【8】创建回话Sessionwith tf.Session() as sess: #【9】实例化一个FileWriter的类对象，并将当前TensoirFlow的计算图写入【日志文件】 summary_writer = tf.summary.FileWriter(SUMMARY_DIR,sess.graph) #【10】Tensorflow中创建的变量，在使用前必须进行初始化，下面这个为初始化函数 tf.global_variables_initializer().run() #【11】开始训练 for i in range(TRAIN_STEPS): xs,ys = mnist.train.next_batch(BATCH_SIZE) #【12】运行训练步骤以及所有的【日志文件生成操作】，得到这次运行的【日志文件】。 summary,_,acc = sess.run([merged,train_step,accuracy],feed_dict={x:xs,y_:ys}) print(‘Accuracy at step %s: %s‘ % (i, acc)) #【13】将所有的日志写入文件，TensorFlow程序就可以那这次运行日志文件，进行各种信息的可视化 summary_writer.add_summary(summary,i)summary_writer.close() |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
#========================================================================================================#函数原型：# def add_summary(self, summary, global_step=None)#函数说明:# [1]该函数是tf.summary.FileWriter父类中的成员函数# [2]将一个`Summary` protocol buffer添加到事件文件，写入事件文件#参数说明：# [1]self : 类对象自身# [2]summary：将要写入的summary# [3]graph : global_step,当前迭代的轮数，需要注意的是，如果没有这个参数，那么scalar的summary将会成为一条直线#应用示例：# summary_writer.add_summary(summary,i)#======================================================================================================== |
原文：https://www.cnblogs.com/ldt-/p/10279092.html