TensorFlow Summary 核心函数与使用指南

TensorFlow Summary简介

近期在研究TensorFlow自带的speech_command示例程序时，顺便梳理了TensorFlow的一些基础使用方法。

TensorBoard作为强大的可视化工具，是学习TensorFlow时进行模型训练监控和参数可视化的关键手段。

在训练过程中，主要涉及tf.summary()系列方法的使用，这些方法能够保存训练过程数据及参数分布图，并在TensorBoard中展示。

tf.summary核心函数详解

tf.summary提供了多种函数接口：

1、tf.summary.scalar

该函数用于显示标量信息，其调用格式为：

tf.summary.scalar(tags, values, collections=None, name=None)

例如：tf.summary.scalar('mean', mean)

在绘制loss（损失）和accuracy（准确率）曲线时，通常会用到这个函数。

2、tf.summary.histogram

该函数用于显示直方图信息，其调用格式为：

tf.summary.histogram(tags, values, collections=None, name=None) 

例如：tf.summary.histogram('histogram', var) 通常用于展示训练过程中变量的分布情况。

3、tf.summary.distribution 用于显示分布图，一般应用于展示weights（权重）的分布。

4、tf.summary.text 可将文本类型的数据转换为tensor并写入summary中：

例如：

text = """/a/b/c\\_d/f\\_g\\_h\\_2017"""
summary_op0 = tf.summary.text('text', tf.convert_to_tensor(text))

5、tf.summary.image

输出带有图像的protobuf，汇总数据的图像形式如下：'tag/image/0', 'tag/image/1'...，如input/image/0等。

格式：tf.summary.image(tag, tensor, max_images=3, collections=None, name=None)

6、tf.summary.audio

用于展示训练过程中记录的音频数据。

7、tf.summary.merge_all

merge_all可以将所有summary保存到磁盘，以便在TensorBoard中显示。若无特殊要求，通常使用此句即可显示训练时的各种信息。

格式：tf.summary.merge_all(key='summaries')

8、tf.summary.FileWriter

用于指定一个文件来保存图。

格式：tf.summary.FileWriter(path, sess.graph)

可以调用其add_summary()方法，将训练过程数据保存在FileWriter指定的文件中。

TensorFlow Summary使用示例

TensorFlow Summary 用法示例：

tf.summary.scalar('accuracy',acc)          #生成准确率标量图 
merge_summary = tf.summary.merge_all() 
train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件，dir为写入文件地址 
......(交叉熵、优化器等定义) 
for step in xrange(training_step):         #训练循环 
  train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图，生成一步的训练过程数据 
  train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存

此时开启TensorBoard：

tensorboard --logdir=/summary_dir 

便能看见accuracy曲线了。

另外，如果不想保存所有定义的summary信息，也可以用tf.summary.merge方法有选择性地保存信息：

9、tf.summary.merge

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

一般选择要保存的信息还需要用到tf.get_collection()函数。

示例：

tf.summary.scalar('accuracy',acc)          #生成准确率标量图 
merge_summary = tf.summary.merge([tf.get_collection(tf.GraphKeys.SUMMARIES,'accuracy'),...(其他要显示的信息)]) 
train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件，dir为写入文件地址 
......(交叉熵、优化器等定义) 
for step in xrange(training_step):         #训练循环 
  train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图，生成一步的训练过程数据 
  train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存

使用tf.get_collection函数筛选图中summary信息中的accuracy信息，这里的

tf.GraphKeys.SUMMARIES 是summary在collection中的标志。

当然，也可以直接：

acc_summary = tf.summary.scalar('accuracy',acc)          #生成准确率标量图 
merge_summary = tf.summary.merge([acc_summary ,...(其他要显示的信息)]) #这里的[]不可省

如果要在TensorBoard中画多个数据图，需定义多个tf.summary.FileWriter并重复上述过程。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。