忙了一周，晚上休息下，接着分享AI知识。本系列作者将讲解Python深度学习、神经网络及人工智能相关知识，希望您喜欢。
前一篇文章讲解了TensorFlow创建回归神经网络及Optimizer优化器；本篇文章将详细讲解Tensorboard可视化的基本用法，并绘制整个神经网络及训练、学习的参数变化情况。本文主要结合作者之前的博客、"莫烦大神"的视频和AI经验介绍，后面随着深入会讲解更多的Python人工智能案例及应用。
基础性文章，希望对您有所帮助，如果文章中存在错误或不足之处，还请海涵~同时自己也是人工智能的菜鸟，希望大家能与我在这一笔一划的博客中成长起来。
文章目录：
- 一.tensorboard初识
- 二.tensorboard绘制graph
- 三.tensorboard可视化神经网络学习过程
- 四.总结
代码下载地址：
- https://github.com/eastmountyxz/ AI-for-TensorFlow
- https://github.com/eastmountyxz/ AI-for-Keras
一.tensorboard初识
TensorBoard是TensorFlow提供的实用工具，可以图形化的显示Graph，帮助开发者方便的理解、调试、优化TensorFlow程序。Tensorboard主要的面板如下图所示：
很多时候，我们编写了神经网络，却没有很好地进行可视化展示。本篇文章将分享如何可视化神经网络，通过TensorFlow自身提供的Tensorboard进行可视化操作，通过它能够直观地看到整个神经网络或TensorFlow的框架结构，如下图所示。
这个结构大概分成了输入层inputs、两个隐藏层layer和计算误差loss。
点击展开某一个隐藏层，可以看到权重Wights、偏差biases、计算方式Wx_plus_b和激励函数Relu等。我们可以很直观地看到TensorFlow的数据是如何流向神经网络的。
同时，inputs包括x_input和y_input两个值。
接下来，我们开始编写神经网络的可视化功能。这里，我们依旧使用上节课的代码，它通过TensorFlow实现了一个回归神经网络，通过不断学习拟合出一条接近散点的曲线。
代码语言：javascript复制# -*- coding: utf-8 -*-
"""
Created on Mon Dec 16 21:34:11 2019
@author: xiuzhang CSDN Eastmount
"""
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#---------------------------------定义神经层---------------------------------
# 函数：输入变量 输入大小 输出大小 激励函数默认None
def add_layer(inputs, in_size, out_size, activation_function=None):
# 权重为随机变量矩阵
Weights = tf.Variable(tf.random_normal([in_size, out_size])) #行*列
# 定义偏置 初始值增加0.1 每次训练中有变化
biases = tf.Variable(tf.zeros([1, out_size]) 0.1) #1行多列
# 定义计算矩阵乘法 预测值
Wx_plus_b = tf.matmul(inputs, Weights) biases
# 激活操作
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
#---------------------------------构造数据---------------------------------
# 输入
x_data = np.linspace(-1, 1, 300)[:,np.newaxis] #维度
# 噪声
noise = np.random.normal(0, 0.05, x_data.shape) #平均值0 方差0.05
# 输出
y_data =np.square(x_data) -0.5 noise
# 设置传入的值xs和ys
xs = tf.placeholder(tf.float32, [None, 1]) #x_data传入给xs
ys = tf.placeholder(tf.float32,[None, 1]) #y_data传入给ys
#---------------------------------定义神经网络---------------------------------
# 隐藏层
L1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu) #激励函数
# 输出层
prediction = add_layer(L1, 10, 1, activation_function=None)
#------------------------------定义loss和初始化-------------------------------
# 预测值与真实值误差 平均值->求和->平方(真实值-预测值)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
# 训练学习 学习效率通常小于1 这里设置为0.1可以进行对比
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #减小误差
# 初始化
init = tf.initialize_all_variables()
# 运行
sess = tf.Session()
sess.run(init)
#---------------------------------可视化分析---------------------------------
# 定义图片框
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
# 散点图
ax.scatter(x_data, y_data)
# 连续显示
plt.ion()
plt.show()
#---------------------------------神经网络学习---------------------------------
# 学习1000次
n = 1
for i in range(1000):
# 训练
sess.run(train_step, feed_dict={xs:x_data, ys:y_data}) #假设用全部数据x_data进行运算
# 输出结果 只要通过place_holder运行就要传入参数
if i % 50==0:
#print(sess.run(loss, feed_dict={xs:x_data, ys:y_data}))
try:
# 忽略第一次错误 后续移除lines的第一个线段
ax.lines.remove(lines[0])
except Exception:
pass
# 预测
prediction_value = sess.run(prediction, feed_dict={xs:x_data})
# 设置线宽度为5 红色
lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
# 暂停
plt.pause(0.1)
# 保存图片
name = "test" str(n) ".png"
plt.savefig(name)
n = n 1
输出结果如下图所示，从最早不合理的图形到后面基本拟合，loss误差在不断减小，说明神经网络的真实值和预测值在不断更新接近，神经网络正常运行。
二.tensorboard绘制graph
接下来，我们用Tensorboard进行可视化训练，对上面的代码进行如下修改。
第一步，从input开始修改，调用tf.name_scope()设置输入层名称，并为传入的值xs和ys增加名字。整个inputs包括x_input和y_input。
tf.name_scope()命名空间的实际作用如下：
- 在某个tf.name_scope()指定的区域中定义所有对象及各种操作，他们的“name”属性上会增加该命名区的区域名，用以区别对象属于哪个区域；
- 将不同的对象及操作放在由tf.name_scope()指定的区域中，便于在tensorboard中展示清晰的逻辑关系图，这点在复杂关系图中特别重要。
第二步，修改add_layer()函数，通过tf.name_scope()函数进行区域和变量命名。
这里通过with tf.name_scope(‘layer’)代码进行区域命名，我们把layer层当成一个框架，对应之前可视化图形的那一部分layer区域。注意，激励函数没有命名，是因为它默认会有名字，比如选择了“relu”，其名字就是“relu”。
第三步，定义好图层名称。每加一个图层，它都会增加一个对应的框架，就是第二步命名的layer。
第四步，接着通过tf.name_scope()函数定义loss和train框架。
第五步，初始化和文件写操作。
此时的完整代码如下所示：
代码语言：javascript复制# -*- coding: utf-8 -*-
"""
Created on Tue Dec 17 10:51:40 2019
@author: xiuzhang CSDN Eastmount
"""
import tensorflow as tf
#---------------------------------定义神经层---------------------------------
# 函数：输入变量 输入大小 输出大小 激励函数默认None
def add_layer(inputs, in_size, out_size, activation_function=None):
# 命名层
with tf.name_scope('layer'):
with tf.name_scope('weights'):
# 权重为随机变量矩阵
Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W') #行*列
with tf.name_scope('biases'):
# 定义偏置 初始值增加0.1 每次训练中有变化
biases = tf.Variable(tf.zeros([1, out_size]) 0.1, name='b') #1行多列
with tf.name_scope('Wx_plus_b'):
# 定义计算矩阵乘法 预测值
Wx_plus_b = tf.matmul(inputs, Weights) biases
# 激活操作
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
#-----------------------------设置传入的值xs和ys-------------------------------
# 输入inputs包括x_input和y_input
with tf.name_scope('inputs'):
xs = tf.placeholder(tf.float32, [None, 1], name='x_input') #x_data传入给xs
ys = tf.placeholder(tf.float32,[None, 1], name='y_input') #y_data传入给ys
#---------------------------------定义神经网络---------------------------------
# 隐藏层
L1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu) #激励函数
# 输出层
prediction = add_layer(L1, 10, 1, activation_function=None)
#------------------------------定义loss和train-------------------------------
with tf.name_scope('loss'):
# 预测值与真实值误差 平均值->求和->平方(真实值-预测值)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
with tf.name_scope('train'):
# 训练学习 学习效率通常小于1 这里设置为0.1可以进行对比
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #减小误差
#------------------------------初始化和文件写操作-------------------------------
# 定义Session
sess = tf.Session()
# 整个框架加载到文件中,才能从文件中加载出来至浏览器中查看
writer = tf.summary.FileWriter('logs/', sess.graph)
# 初始化
init = tf.global_variables_initializer()
sess.run(init)
我们尝试运行代码，此时会在Python文件目录下新建一个“logs”文件夹和events的文件，如下图所示。
接下来尝试打开它。首先调出Anaconda Prompt，并激活TensorFlow，接着去到events文件的目录，调用命令“tensorboard --logdir=logs运行即可，如下图所示。注意，这里只需要指引到文件夹，它就会自动索引到你的文件。
代码语言：javascript复制activate tensorflow
cd
cd C:UsersxiuzhangDesktopTensorFlow
tensorboard --logdir=logs
此时访问网址“http://localhost:6006/”，选择“Graphs”，运行之后如下图所示，我们的神经网络就出现了。
双击每一个层，可以看到细节部分，比如layer层如下图所示，包括权重、偏置和计算函数。
再比如点击loss计算函数，其处理流程如下图所示。
通常我们会将train部分放置一边，选中“train”然后鼠标右键点击“Remove from main graph”。
此时的显示结果如下图所示，同时输入层inputs包括x_input和y_input。
PS：用tensorboard可视化的时候，显示“No graph definition files were found”，这很可能是路径错误，大家需要注意文件夹命名用英文、避免空格等问题。
三.tensorboard可视化
接下来，我们用Tensorboard进行可视化训练，对上面的代码进行如下修改。此时的神经网络只有Graph功能，接下来尝试可视化展现它的DISTRIBUTIONS、HISTOGRAMS、EVENTS等面板。
DISTRIBUTIONS是它的整个训练过程，显示了Layer1的Weights、outputs、biases的变化。
在EVENTS中，也可以把其误差loss显示出来。
接着开始讲解代码。
第一步，编写构造数据的代码。
首先导入扩展包numpy。
代码语言：javascript复制import numpy as np
然后构造输入、噪声和输出三个变量。
第二步，在add_layer()函数中增加绘图显示的名称，如下图左上角所示。
修改如下：
- 1.自定义一个变量layer_name，其值为add_layer()函数传进来的参数n_layer。
- 2.函数add_layer(inputs, in_size, out_size, n_layer, activation_function=None)增加参数n_layer，为神经层名称。
- 3.修改tf.name_scope(layer_name)，其传递值为layer_name。
- 4.通过tf.summary.histogram()函数定义图形的左上角名称，包括weights、biases、outputs。部分TensorFlow的版本是调用tf.histogram_summary()函数。
修改后的代码如下：
第三步，修改定义神经网络的代码，增加参数n_layer，并设置为第1层和第2层。
第四步，可视化loss的变化情况，它是以存量的形式在EVENTSSCALARS中显示，调用tf.scalar_summary()函数实现。如果loss在不断减小，说明这个神经网络是学到东西的。
第五步，将所有的Summary合并在一起。
代码语言：javascript复制# 合并所有summary
merged = tf.summary.merge_all()
第六步，编写神经网络学习的过程，并且每隔50步输出一次结果。
最终的完整代码如下所示：
代码语言：javascript复制# -*- coding: utf-8 -*-
"""
Created on Tue Dec 17 10:51:40 2019
@author: xiuzhang CSDN Eastmount
"""
import tensorflow as tf
import numpy as np
#---------------------------------定义神经层---------------------------------
# 函数：输入变量 输入大小 输出大小 神经层名称 激励函数默认None
def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):
# 定义神经层名称
layer_name = 'layer%s' % n_layer
# 命名层
with tf.name_scope(layer_name):
with tf.name_scope('weights'):
# 权重为随机变量矩阵
Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W') #行*列
tf.summary.histogram(layer_name '/weights', Weights)
with tf.name_scope('biases'):
# 定义偏置 初始值增加0.1 每次训练中有变化
biases = tf.Variable(tf.zeros([1, out_size]) 0.1, name='b') #1行多列
tf.summary.histogram(layer_name '/biases', biases)
with tf.name_scope('Wx_plus_b'):
# 定义计算矩阵乘法 预测值
Wx_plus_b = tf.matmul(inputs, Weights) biases
# 激活操作
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
tf.summary.histogram(layer_name '/outputs', outputs)
return outputs
#---------------------------------构造数据-----------------------------------
# 输入
x_data = np.linspace(-1, 1, 300)[:,np.newaxis] #维度
# 噪声
noise = np.random.normal(0, 0.05, x_data.shape) #平均值0 方差0.05
# 输出
y_data =np.square(x_data) -0.5 noise
#-----------------------------设置传入的值xs和ys-------------------------------
# 输入inputs包括x_input和y_input
with tf.name_scope('inputs'):
xs = tf.placeholder(tf.float32, [None, 1], name='x_input') #x_data传入给xs
ys = tf.placeholder(tf.float32,[None, 1], name='y_input') #y_data传入给ys
#---------------------------------定义神经网络---------------------------------
# 隐藏层
L1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu) #激励函数
# 输出层
prediction = add_layer(L1, 10, 1, n_layer=2, activation_function=None)
#------------------------------定义loss和train-------------------------------
with tf.name_scope('loss'):
# 预测值与真实值误差 平均值->求和->平方(真实值-预测值)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
tf.summary.scalar('loss', loss)
with tf.name_scope('train'):
# 训练学习 学习效率通常小于1 这里设置为0.1可以进行对比
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #减小误差
#------------------------------初始化和文件写操作-------------------------------
# 定义Session
sess = tf.Session()
# 合并所有summary
merged = tf.summary.merge_all()
# 整个框架加载到文件中,才能从文件中加载出来至浏览器中查看
writer = tf.summary.FileWriter('logs/', sess.graph)
# 初始化
init = tf.global_variables_initializer()
sess.run(init)
#---------------------------------神经网络学习---------------------------------
# 学习1000次
n = 1
for i in range(1000):
# 训练 xs和ys是定义的变量 x_data和y_data是构造的数据
sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
# 每隔50步输出结果
if i % 50==0:
result = sess.run(merged, feed_dict={xs:x_data, ys:y_data})
writer.add_summary(result, i) # 每隔i步输出一个点
运行代码，新生成一个输出文件。
在Anaconda Prompt中输入命令“tensorboard --logdir=logs”，再调用浏览器查看新生成的图形，如下图所示。
此时的SCALARS中会显示loss的可视化图形，发现其误差在不断减小，神经网络再不断学习，拟合曲线也在不断进步。
DISTRIBUTIONS显示的Layer1如下图所示，颜色越深的地方表示它所在的这个区域值越多，每隔50步会生成一个点，包括biases、weights、outputs。
DISTRIBUTIONS显示的Layer2如下图所示
HISTOGRAMS显示如下图所示：
Histograms面板和Distributions面板是显示模型参数随迭代次数的变化情况。Distributions面板用于展示网络中各参数随训练步数增加的变化情况，如权重的分布。Histograms面板和distributions是对同一数据不同方式的展现，它是频数直方图的堆叠。
随着文章分享的深入，后续会结合案例和评估指标讲解不同神经网络的可视化对比，如Accuracy、Precision、Recall、F-measure等。
四.总结
写到这里，这篇文章就结束了，主要内容是利用Tensorboard去观察我们的神经网络。真的非常忙碌，希望这篇基础性文章对您有所帮助，如果文章中存在错误或不足之处，还请海涵~作为人工智能的菜鸟，我希望自己能不断进步并深入，后续将它应用于图像识别、网络安全、对抗样本等领域，一起加油！
参考文献，感谢各位大神的文章和视频，推荐大家跟着莫烦老师学习，他是我人工智能的入门老师。
- [1] 神经网络和机器学习基础入门分享 - 作者的文章
- [2] 斯坦福机器学习视频NG教授： https://class.coursera.org/ml/class/index
- [3] 书籍《游戏开发中的人工智能》
- [4] 网易云莫烦老师视频（强推）： https://study.163.com/course/courseLearn.htm?courseId=1003209007
- [5] 神经网络激励函数 - deeplearning
- [6] tensorflow架构 - NoMorningstar
- [7] 《TensorFlow2.0》低阶 api 入门 - GumKey
- [8] TensorFlow之基础知识 - kk123k
- [9] tensorboard使用教程 - 七七啊
- [10] Tensorflow的可视化工具Tensorboard的使用——标量（scalar）的使用 - 自律者自由
