本主题的内容：

1. 使用Tensorboard
2. 理解图
3. 掌握graph与scalar可视化

一、图可视化

1.产生图数据

• 图在代码中描述好后，在执行会话环境中会自动存储，可以世界使用Session的属性graph获取,Session只有三个属性：graph与graph_ref，sess_str，Session的属性代码：

    class SessionInterface(object):
      """Base class for implementations of TensorFlow client sessions."""
  
      @property
      def graph(self):
        """The underlying TensorFlow graph, to be used in building Operations."""
        raise NotImplementedError('graph')
    
      @property
      def sess_str(self):
        """The TensorFlow process to which this session will connect."""
        raise NotImplementedError('sess_str')
  

• 可视化数据保存由tf.summary.FileWriter类实现，其构造器声明如下：

  __init__(
      logdir,        #存放数据的目录
      graph=None,    #需要存储的图对象数据
      max_queue=10,
      flush_secs=120,
      graph_def=None,
      filename_suffix=None,
      session=None
  )
  

• 图数据获取实现代码如下

    #coding=utf-8
    import numpy as np
    import tensorflow as tf
  
    #1.描述图
    m1=np.random.uniform(0,1,(4,3))
    m2=np.random.uniform(0,1,(3,2))
    r=tf.matmul(m1,m2)
  
    #2.图执行
    session=tf.Session()
  
    #创建一个图数据IO写入器
    writer=tf.summary.FileWriter("./graph",graph=session.graph)
    
    init_op= tf.global_variables_initializer()
    session.run(init_op)
    re=session.run(r)
    print(re)
  
    #关闭图写入器
    writer.close()
  

• 产生的图数据结果

  Graph保存后的文件

2.启动可视化

• 使用Tensorboard工具创建一个web应用服务，然后使用浏览器就可以得到可视化的图结构。

  • Tensorboard在Tensorflow安装的时候会一起安装。
  • Tensorboard使一个命令行工具，使用格式如下：

    > tensorboard --logdir=Graph数据存放目录

• 可视化启动例子：

  启动图可视化web应用服务

• 使用浏览器访问

  注意：端口是6006，URL是：http://127.0.0.1:6006/

  
  使用浏览器访问图可视化服务

• 可视化图元素说明

  可视化元素说明

• 可视化数据
  Tensorboard的数据类型有很多

  可视化数据类型
  常用的有：scalars，distributions，histograms 等

• 可视化刷新设置

  设置刷新频率与分页限制

二、数据标量可视化

1. 确定标量数据

  #1.scalar数据
  rd1=tf.Variable(tf.random_uniform([],-1.0,1.0))
  tf.summary.scalar("rd1",rd1)
  rd2=tf.Variable(tf.random_uniform([],-1.0,1.0))
  tf.summary.scalar("rd2",rd2)

  【注意】其中使用随机函数产生随机数，其中只能使用标量，所以函数的第一个参数设置为[]，表示标量。如果使用向量，运行参数肯定不匹配。

2. 合并标量数据

  #2.数据合并
  me=tf.summary.merge_all()

3. 计算标量数据

  #3.计算合并数据
  data= session.run(me)

4. 存储标量数据

  #
  #4.合并数据用IO写入文件
  writer.add_summary(data,i)

5. 完整代码

  #coding=utf-8
  import numpy as np
  import tensorflow as tf

  #1.scalar数据
  rd1=tf.Variable(tf.random_uniform([],-1.0,1.0))
  tf.summary.scalar("rd1",rd1)
  rd2=tf.Variable(tf.random_uniform([],-1.0,1.0))
  tf.summary.scalar("rd2",rd2)

  #2.数据合并
  me=tf.summary.merge_all()

  #2.图执行
  session=tf.Session()
  #创建一个图数据IO写入器
  writer=tf.summary.FileWriter("./scalar",graph=session.graph)
  init_op= tf.global_variables_initializer()
  session.run(init_op)

  #写100个随机变量
  for i in range(100):
      #3.计算合并数据
      data= session.run(me)
      #4.合并数据用IO写入文件
      writer.add_summary(data,i)

  #关闭图写入器
  writer.close()

6. 可视化效果

• 使用tensorboard工具，启动web app服务后，可以看到如下可视化效果。

  标量数据可视化结果

更多复杂的情况，可以参考后面神经网络中更为复杂的实现。

【资源】

代码列表：

1. t02_graph.py
2. t02_scalar.py
   文件下载：【 下载 】