在线生成tensorflow网络结构 tensorflow网络结构可视化

一、TensorBoard简介

训练神经网络十分复杂，有时需要几天甚至几周的时间。为了更好地管理、调试和优化神经网络的训练过程， TensorFlow 提供了 一个可视化工具 TensorBoard 。 TensorBoard 可以有效地展示 TensorFlow 在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的图像等信息。
TensorBoard 是 TensorFlow 的可视化工具 ，它可以通过 TensorFlow 程序运行过程中输出的日志文件可视化 TensorFlow 程序的运行状态。 TensorBoard 和 TensorFlow 程序跑在不同的进程中，TensorBoard 会自动读取最新的 TensorFlow 日志文件，并呈现当前 TensorFlow程序运行的最新状态。
TensorBoard 不需要额外的安装过程，TensorFlow 安装完成时， TensorBoard 会自动安装 。

二、TensorBoard可视化网络结构

下面的是从一个非常简单的神经网络里截取的一部分：

# 命名空间
with tf.name_scope('input'):
    # 定义两个占位符
    x = tf.placeholder(tf.float32,[None,784],name='x-input')
    y = tf.placeholder(tf.float32,[None,10],name='y-input')
..........
writer = tf.summary.FileWriter('logs/',tf.get_default_graph())   #在当前文件夹里新建logs文件夹（如果没有logs文件夹），并把图存入）
............

接着运行这个完整的神经网络程序，等程序运行结束，在当前文件夹里会出现一个文件夹logs，并且在该文件夹中有一个文件，该文件就是tensorboard的文件。

我们需要运行这个文件才可以看到可视化的内容。

首先，打开命令行（cmd），需要改变路径至该文件所在的盘符，否则会执行失败。然后运行：

tensorboard --logdir=I:\pycharm-project\DL_code\TensorFlow-learn\logs

后面是该文件的路径。接着回车运行，会看到返回一个网址：

将该网址复制进浏览器打开（推荐Google浏览器）即可。

打开后是这样的：

在界面的上方，展示的内容是“ GRAPHS ”，表示图中可视化的内容是 TensorFlow 的计算图 。打开 TensorBoard 界面会默认进入 GRAPHS 界面，在该界面中可以看到上面程序 TensorFlow 计算图的可视化结果。点开 “ INACTIVE ＂选项可以看到 TensorBoard 能够可视化的其他内容 ，“INACTIVE”选项中列出的是当前没有可视化数据的项目 。，除了可视化 TensorFlow计算图之外，TensorBoard 还提供了 SCALARS 、 IMAGES 、 AUDIO 、 DIST阳BUTIONS 、HISTOGRAMS 、 PROJECTOR 、 TEXT 和 PROFILE 项目 。

TensorFlow 会将所有的计算以图的形式组织起来。TensorBoard 可视化得到的图不仅是将TensorFlow计算图中的节点和边直接可视化，它会根据每个 TensorFlow 计算节点的命名空间来整理可视化得到的效果图，使得神经网络的整体结构不会被过多的细节所淹没。除了显示 TensorFlow计算图的结构， TensorBoard 还可以展示 TensorFlow 计算节点上的其他信息。
节点的排列可能会比较乱，这导致主要的计算节点可能被埋没在大量信息量不大的节点中，使得可视化得到的效果图很难理解 。为了更好地组织可视化效果图中的计算节点， TensorBoard 支持通过 TensorFlow 命名空间来整理可视化效果图上的节点 。在 TensorBoard 的默认视图中， TensorFlow 计算图中同一个命名空间下的所有节点会被缩略成一个节点，只有顶层命名空间中的节点才会被显示在 TensorBoard 可视化效果图上。
除了 tf.name_scope 函数， tf.variable_scope 函数也提供了命名 空间管理的功能。这两个函数在大部分情况下是等价的 ，唯一的区别是在使用 tf.get_variable 函数时。

在可视化图中：

长方体为命名空间；椭圆为op，圆为常量，虚边表达了计算之间的依赖关系，实边为数据流动。点击命名空间，然后右键可以选择从图中移出或者是添加进图中：

点击某个命名空间，图中的它的位置都会显示，右上角为它的属性：

双击命名空间，会展开它的具体的内容；再双击就折叠起来：

最后，整理一个比较整洁的可视化图：

# 命名空间
with tf.name_scope('input'):
    # 定义两个占位符
    x = tf.placeholder(tf.float32,[None,784],name='x-input')
    y = tf.placeholder(tf.float32,[None,10],name='y-input')

with tf.name_scope('layer'):
    with tf.name_scope('weights'):
        W = tf.Variable(tf.zeros([784,10]))
    with tf.name_scope('biases'):
        b = tf.Variable(tf.zeros([10]))
    with tf.name_scope('wx_plus_b'):
        wx_plus_b = tf.matmul(x,W)+b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(y-prediction))

with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

tf.global_variables_initializer().run()
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(prediction,1))
    with tf.name_scope('accuracy'):
        # 准确率
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
writer = tf.summary.FileWriter('logs/',tf.get_default_graph())

效果如下图所示：

三、TensorBoard可视化网络运行

# Tensor Board可视化网络运行
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)    # 载入数据放在当前路径
sess = tf.InteractiveSession()
batch_size = 100   # 每个批次的大小
# n_batch = mnist.train.num_example    # 一共有多少批次
n_batch = 5000

# 参数概要
def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean',mean)               # 平均值
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
        tf.summary.scalar('stddev',stddev)           # 标准差
        tf.summary.scalar('max',tf.reduce_max(var))  # 最大值
        tf.summary.scalar('min',tf.reduce_min(var))  # 最小值
        tf.summary.histogram('histogram',var)        # 直方图
    # tf.summary.scalar('a',b):记录b的值并给b命名为a

# 命名空间
with tf.name_scope('input'):
    # 定义两个占位符
    x = tf.placeholder(tf.float32,[None,784],name='x-input')
    y = tf.placeholder(tf.float32,[None,10],name='y-input')

with tf.name_scope('layer'):
    with tf.name_scope('weights'):
        W = tf.Variable(tf.zeros([784,10]))
        variable_summaries(W)
    with tf.name_scope('biases'):
        b = tf.Variable(tf.zeros([10]))
        variable_summaries(b)
    with tf.name_scope('wx_plus_b'):
        wx_plus_b = tf.matmul(x,W)+b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(y-prediction))
    tf.summary.scalar('loss',loss)   # loss的值就一个不需要调用variable_summaries函数
with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

tf.global_variables_initializer().run()
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(prediction,1))
    with tf.name_scope('accuracy'):
        # 准确率
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
        tf.summary.scalar('accuracy',accuracy)
writer = tf.summary.FileWriter('logs/',tf.get_default_graph())   #在当前文件夹里新建logs文件夹（如果没有logs文件夹），并把图存入）

# 合并所有summary
merged = tf.summary.merge_all()

for epoch in range(51):                 #训练50次
    for batch in range(n_batch):      # 循环总共的批次
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys})
    writer.add_summary(summary,epoch)    # 将summary写入logs文件夹
    test_acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})  # 训练一批输出一次准确率
    train_acc = sess.run(accuracy, feed_dict={x: mnist.train.images, y: mnist.train.labels})
    print("Iter" + str(epoch) + ",Testing Accuracy" + str(test_acc) + ",Training Accuracy" + str(train_acc))

首先定义一个函数用于参数的处理，包括平均值、标准差、最大值、最小值和直方图。

然后在参数使用的部分调用该函数。

最后合并所有的summary。

运行之后得到的tensorboard可视化图是这样的：

就其中的accuracy来说：

我们可以通过左侧的‘Smoothing’调整它的平滑度：

我们鼠标停在某个点的时候，会跳出一些信息，包括：它的值、它是第几步以及它的时间

如果想要看到更多的点，可以使用下面这种方式：

for i in range(2001):
	batch_xs, batch_ys = mnist.train.next_batch(100)
    summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys})
    writer.add_summary(summary,i)  
    if i%500 == 0:
    	print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))

对于loss部分：

可以看到震荡比较剧烈，这说明可能学习率设置有点大了。比较平滑的下降才是最好的情况。下面是分布图：

左边的是偏差b的分布图，右边是权重W的分布图。

中间颜色比较深说明分布该位置比较多。同样还有直方图：

四、TensorBoard可视化

在data文件夹下放入手写数字图片：

接下来是程序：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib.tensorboard.plugins import projector
# 载入数据集
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
# 运行次数
max_step = 1001
# 图片数量
image_num = 3000
# 文件路径
DIR = "I:/pycharm-project/DL_code/TensorFlow-learn/tensorboard/"
# 定义会话
sess = tf.Session()
# 载入图片
embedding = tf.Variable(tf.stack(mnist.test.images[:image_num]),trainable=False,name='embedding')
# 第0张到第3000张图片打包，然后存放在embedding中
# 参数概要
def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean',mean)               # 平均值
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
        tf.summary.scalar('stddev',stddev)           # 标准差
        tf.summary.scalar('max',tf.reduce_max(var))  # 最大值
        tf.summary.scalar('min',tf.reduce_min(var))  # 最小值
        tf.summary.histogram('histogram',var)        # 直方图
    # tf.summary.scalar('a',b):记录b的值并给b命名为a
# 命名空间
with tf.name_scope('input'):
    # 定义两个占位符
    x = tf.placeholder(tf.float32,[None,784],name='x-input')
    y = tf.placeholder(tf.float32,[None,10],name='y-input')

# 显示图片
with tf.name_scope('input_reshape'):
    image_shaped_input = tf.reshape(x,[-1,28,28,1])
    # 改变x的形状，-1：None，代表不确定的值，28,28:784转为28行28列，1：维度是1,（黑白的图片所以是1，彩色的就是3）
    tf.summary.image('input',image_shaped_input,10)

with tf.name_scope('layer'):
    with tf.name_scope('weights'):
        W = tf.Variable(tf.zeros([784,10]))
        variable_summaries(W)
    with tf.name_scope('biases'):
        b = tf.Variable(tf.zeros([10]))
        variable_summaries(b)
    with tf.name_scope('wx_plus_b'):
        wx_plus_b = tf.matmul(x,W)+b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(y-prediction))
    tf.summary.scalar('loss',loss)   # loss的值就一个不需要调用variable_summaries函数
with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
# 变量初始化
sess.run(tf.global_variables_initializer())

with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(prediction,1))
    with tf.name_scope('accuracy'):
        # 准确率
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
        tf.summary.scalar('accuracy',accuracy)
# writer = tf.summary.FileWriter('logs/',tf.get_default_graph())

# 产生metadata文件
if tf.gfile.Exists(DIR + 'projector/projector/metadata.tsv'):
    tf.gfile.DeleteRecursively(DIR + 'projector/projector/metadata.tsv')

# 检测在该路径下有没有这个文件（metadata.tsv）存在，有的话就删除。
with open(DIR + 'projector/projector/metadata.tsv','w') as f:
    labels = sess.run(tf.argmax(mnist.test.labels[:],1)) #将labels取出
    for i in range(image_num):
        f.write(str(labels[i]) + '\n')
    # 将labels从第0个到2999个，共3000个写入这个文件（metadata.tsv），每写一个就换行

# 合并所有的summary
merged = tf.summary.merge_all()

projector_writer = tf.summary.FileWriter(DIR + 'projector/projector',sess.graph)
saver = tf.train.Saver()   # 保存网络模型
# 配置文件，固定写法
config = projector.ProjectorConfig()
embed = config.embeddings.add()

embed.tensor_name = embedding.name
embed.metadata_path = DIR + 'projector/projector/metadata.tsv'     # 文件路径
embed.sprite.image_path = DIR + 'projector/data/mnist_10k_sprite.png'  # 图片路径
embed.sprite.single_image_dim.extend([28,28])    # 按照28*28 切分图像
projector.visualize_embeddings(projector_writer,config)

for i in range(max_step):
    # 每个批次100个样本
    batch_xs, batch_ys = mnist.train.next_batch(100)
    # 配置文件，固定写法
    run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
    run_metadata = tf.RunMetadata()

    summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys},options=run_options,run_metadata=run_metadata)
    # 配置文件，固定写法
    projector_writer.add_run_metadata(run_metadata,'step%03d' % i)
    projector_writer.add_summary(summary,i)

    if i%100 == 0:
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter" + str(i) + ",Testing Accuracy=" + str(acc))
# 训练好的模型保存下来
saver.save(sess,DIR + 'projector/projector/a_model.ckpt',global_step=max_steps)

projector_writer.close()
sess.close()

其中stack函数的意思是：默认的情况下，axis=0，此时是直接合并元素，axis=1时按列合并。

运行后，在projector文件夹中会出现一系列文件：

其中metadata.tsv中存放的是标签：

接着打开命令行，盘符移到当前I盘，运行tensorboard，将返回的网址在浏览器打开。

IMAGES中存放的是数据图片：

在EMBEDDINGS中是我们的训练集：

我们可以在左边栏选择显示颜色：

点击Re-run就开始训练了：

这个3D图是可以拖拽旋转的。可以看到不是100%正确，这是很正常的，有些数字写的不规范。