摘要：保存的路徑構(gòu)建的，可通過(guò)獲得我們將的返回值記為，然后在調(diào)用后，將會(huì)返回一個(gè)當(dāng)前訓(xùn)練步數(shù)現(xiàn)在我們就可以使用查看訓(xùn)練過(guò)程了在中輸入如下命令響應(yīng)在瀏覽器中打開(kāi)沒(méi)錯(cuò)這就是我們和過(guò)程中的情況。

當(dāng)我們訓(xùn)練一個(gè)deep learning模型時(shí)，怎么樣判斷當(dāng)前是過(guò)擬合，還是欠擬合等狀態(tài)呢？實(shí)踐中，我們常常會(huì)將數(shù)據(jù)集分為三部分：train、validation、test。訓(xùn)練過(guò)程中，我們讓模型盡力擬合train數(shù)據(jù)集，在validation數(shù)據(jù)集上測(cè)試擬合程度。當(dāng)訓(xùn)練過(guò)程結(jié)束后，我們?cè)趖est集上測(cè)試模型最終效果。有經(jīng)驗(yàn)的煉丹師往往會(huì)通過(guò)模型在train和validation上的表現(xiàn)，來(lái)判斷當(dāng)前是否是過(guò)擬合，是否是欠擬合。這個(gè)時(shí)候，TensorBoard就派上了大用場(chǎng)！

有沒(méi)有覺(jué)的一目了然呢？我強(qiáng)烈推薦大家使用TensorBoard，使用后煉丹功力顯著提升！

下面，我來(lái)講一下如何使用TensorBoard。要使用，也要優(yōu)雅！
如果你喜歡自己梳理知識(shí)，自己嘗試，那么不妨閱讀官方文檔：戳這里查看官方文檔
不然的話(huà)，就隨著老夫玩轉(zhuǎn)TensorBoard吧 ^0^

熟悉一個(gè)新知識(shí)的時(shí)候，應(yīng)該將不必要的東西最精簡(jiǎn)化，將注意力集中到我們最關(guān)注的地方，所以，我寫(xiě)了一個(gè)最簡(jiǎn)單的模型，在這個(gè)模型的基礎(chǔ)上對(duì)TensorBoard進(jìn)行探索。

首先看一下這個(gè)極簡(jiǎn)的線(xiàn)性模型：

import tensorflow as tf
import random

class Model(object):

    def __init__(self):
        self.input_x = tf.placeholder(dtype=tf.float32, shape=[None, ], name="x")
        self.input_y = tf.placeholder(dtype=tf.float32, shape=[None, ], name="y")

        W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), dtype=tf.float32)
        b = tf.Variable(tf.random_uniform([1], -1.0, 1.0), dtype=tf.float32)

        y_predict = self.input_x * W + b
        self.loss = tf.reduce_sum(tf.abs(y_predict - self.input_y))

相信這個(gè)模型大家很快就能看懂，所以就不多說(shuō)了。接下來(lái)看構(gòu)造數(shù)據(jù)的代碼：

x_all = []
y_all = []

random.seed(10)
for i in range(3000):
    x = random.random()
    y = 0.3 * x + 0.1 + random.random()
    x_all.append(x)
    y_all.append(y)

x_all = np.array(x_all)
y_all = np.array(y_all)
shuffle_indices = np.random.permutation(np.arange(len(x_all)))

x_shuffled = x_all[shuffle_indices]
y_shuffled = y_all[shuffle_indices]

bound = int(len(x_all) / 10 * 7)

x_train = x_shuffled[:bound]
y_train = y_shuffled[:bound]

x_val = x_shuffled[bound:]
y_val = y_shuffled[bound:]

這段代碼里做了三件事：

構(gòu)造3000個(gè)符合y = 0.3 * x + b關(guān)系，且增加了隨機(jī)噪聲的數(shù)據(jù)

對(duì)數(shù)據(jù)進(jìn)行shuffle

按照7比3的比例，將3000個(gè)數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集兩部分

下面是對(duì)數(shù)據(jù)按batch取出：

def batch_iter(data, batch_size, num_epochs, shuffle=True):
    """
    Generates a batch iterator for a dataset.
    """
    data = np.array(data)
    data_size = len(data)
    num_batches_per_epoch = int((len(data)-1)/batch_size) + 1
    for epoch in range(num_epochs):
        # Shuffle the data at each epoch
        if shuffle:
            shuffle_indices = np.random.permutation(np.arange(data_size))
            shuffled_data = data[shuffle_indices]
        else:
            shuffled_data = data
        for batch_num in range(num_batches_per_epoch):
            start_index = batch_num * batch_size
            end_index = min((batch_num + 1) * batch_size, data_size)
            yield shuffled_data[start_index:end_index]

然后就到了比較本篇博客的核心部分：
首先我來(lái)描述一下關(guān)鍵的函數(shù)（大部分同學(xué)內(nèi)心一定是拒絕的 2333，所以建議先看下面的代碼，然后再反過(guò)頭來(lái)看函數(shù)的介紹）：

tf.summary.scalar(name, tensor, collections=None, family=None)，調(diào)用這個(gè)函數(shù)來(lái)觀察Tensorflow的Graph中某個(gè)節(jié)點(diǎn)

tensor：我們想要在TensorBoard中觀察的節(jié)點(diǎn)

name：為該節(jié)點(diǎn)設(shè)置名字，在TensorBoard中我們觀察的曲線(xiàn)將會(huì)以name命名

tf.summary.merge(inputs, collections=None, name=None)

inputs：由scalar函數(shù)返回值組成的list

tf.summary.FileWriter,在給定的目錄中創(chuàng)建一個(gè)事件文件(event file)，將summraies保存到該文件夾中。

__init__(logdir, graph=None, max_queue=10, flush_secs=120, graph_def=None, filename_suffix=None)

logdir：保存event file的路徑

graph：　Tensorflow構(gòu)建的graph，可通過(guò)session.graph獲得

add_summary(summary, global_step=None)

summary：我們將tf.summary.merge的返回值記為summary_op，然后在調(diào)用sess.run(summary_op)后，將會(huì)返回一個(gè)summary

global_step：當(dāng)前訓(xùn)練步數(shù)

with tf.Graph().as_default():
    sess = tf.Session()
    with sess.as_default():
        m = model.Model()
        global_step = tf.Variable(0, name="global_step", trainable=False)
        optimizer = tf.train.AdamOptimizer(1e-2)
        grads_and_vars = optimizer.compute_gradients(m.loss)
        train_op = optimizer.apply_gradients(grads_and_vars=grads_and_vars, global_step=global_step)

        loss_summary = tf.summary.scalar("loss", m.loss)

        train_summary_op = tf.summary.merge([loss_summary])
        train_summary_writer = tf.summary.FileWriter("./summary/train", sess.graph)

        dev_summary_op = tf.summary.merge([loss_summary])
        dev_summary_writer = tf.summary.FileWriter("./summary/dev", sess.graph)


        def train_step(x_batch, y_batch):
            feed_dict = {m.input_x: x_batch,
                         m.input_y: y_batch}
            _, step, summaries, loss = sess.run(
                [train_op, global_step, train_summary_op, m.loss], feed_dict)
            train_summary_writer.add_summary(summaries, step)

        def dev_step(x_batch, y_batch):
            feed_dict = {m.input_x: x_batch,
                         m.input_y: y_batch}

            step, summaries, loss = sess.run(
                [global_step, dev_summary_op, m.loss], feed_dict)
            dev_summary_writer.add_summary(summaries, step)

        sess.run(tf.global_variables_initializer())
        batches = batch_iter(list(zip(x_train, y_train)), 100, 100)
        for batch in batches:
            x_batch, y_batch = zip(*batch)
            train_step(x_batch, y_batch)
            current_step = tf.train.global_step(sess, global_step)
            if current_step % 3 == 0:
                print("
Evaluation:")
                dev_step(x_val, y_val)

現(xiàn)在我們就可以使用TensorBoard查看訓(xùn)練過(guò)程了~~
在terminal中輸入如下命令:

tensorboard --logdir=summary

響應(yīng)TensorBoard 0.4.0rc3 at http://liudaoxing-Lenovo-Rescuer-15ISK:6006 (Press CTRL+C to quit)

在瀏覽器中打開(kāi)　"http://liudaoxing-Lenovo-Resc...:6006"

沒(méi)錯(cuò)！這就是我們train和validation過(guò)程中l(wèi)oss的情況。

點(diǎn)擊GRAPHS,就可以看到網(wǎng)絡(luò)的結(jié)構(gòu)

麻雀雖小，五臟俱全。希望大家有收獲～