Table of Contents

• TensorFlow学习记录

  • 第一章 Anaconda简介

    • 1.1 Anaconda、conda、pip、virtualenv的区别比较
    • 1.2 参考

  • 第二章 Anaconda安装Tensorflow

    • 2.1 安装Anaconda
    • 2.2 在Anaconda中激活安装tensorflow
    • 2.3 在tensorflow中安装Jupyter Notebook
    • 2.4 在terminal中运行Tensorflow
    • 2.5 在jupyter notebook中运行tensorflow
    • 2.6 报错解决
    • 2.7 参考

  • 第三章 Tensorflow使用入门

    • 3.1 创建图
    • 3.2 执行图
    • 3.3 管理图
    • 3.4 参考

  • 第四章 Tensorflow实现简单线性回归

    • 4.1 实现代码
    • 4.2 参考

  • 第五章 梯度下降

    • 5.1 准备工作
    • 5.2 手工计算梯度
    • 5.3 自动计算梯度
    • 5.4 优化器
    • 5.5 批量梯度下降
    • 5.6 参考

  • 第六章 模型保存与恢复

    • 6.1 保存模型
    • 6.2 恢复模型
    • 6.3 模型文件
    • 6.4 参考

  • 第七章 Tensorboard可视化图及训练

    • 7.1 过程记录
      • 导入包
      • 数据处理
      • 设置日志文件
      • 创建计算图
      • 创建会话
      • 运行结果
      • 启动Tensorboard服务
      • 查看训练状态
      • 使用Tensorboard
    • 7.2 参考

第七章 Tensorboard可视化图及训练

       TensorboardTensorboard可以用来可视化图和训练曲线，可以帮助识别图的错误及瓶颈。下面以最小批量梯度下降算法为例探究Tensorboard的使用。

7.1 过程记录

1. 导入包

       所用包与之前类似，额外导入datatime包，方便使用系统时间命名日志文件，具体代码如下：

 import tensorflow as tf
 import numpy as np
 from sklearn.datasets import fetch_california_housing
 from sklearn.preprocessing import StandardScaler
 from datetime import datetime

2. 数据处理

       将数据下载，整理并做预处理。

housing = fetch_california_housing()
m,n = housing.data.shape # 获取数据的行列数
housing_data_plus_bias = np.c_[np.ones((m,1)),housing.data] # 为数据添加偏差项， 即添加y=ax+b中的b，其中b为1

# 数据预处理，归一化
scaler = StandardScaler().fit(housing_data_plus_bias)
scaled_housing_data_plus_bias = scaler.transform(housing_data_plus_bias)

3. 设置日志文件

       定义日志文件目录，每次运行时指定不同的日志文件，否则Tensorboard会自动将同目录下同名文件合并，导致可视化结果混乱。所以最方便的命名方法是利用本地时间戳进行命名。

now = datetime.utcnow().strftime("%Y%m%d%H%M%S")
root_logdir = "tf_logs"
logdir = "{}/run-{}/".format(root_logdir,now)
# # 以下代码放置在构造期最后  
# mse_summary = tf.summary.scalar('MSE',mse)  
# file_writer = tf.summary.FileWriter(logdir, tf.get_default_graph())

4. 创建计算图（构造期）

       将图的定义与训练状态（汇总）写入Tensorboard需要读取的日志文件中。

X = tf.placeholder(tf.float32, shape=(None, n+1), name="X")
y = tf.placeholder(tf.float32, shape=(None, 1), name="y")
n_epochs = 1000
batch_size = 100
n_batches= int(np.ceil(m/batch_size))
global_learning_rate = 0.01
XT = tf.transpose(X)
theta = tf.Variable(tf.random_uniform([n+1,1],-1.0,1.0),name="theta")     # * 参数 seed=42
y_pred =  tf.matmul(X, theta, name="prediction")                          # 预测值
error = y_pred-y                                                          # 误差
mse = tf.reduce_mean(tf.square(error), name="mse")                        # 均方误差(成本函数)
## 定义优化器(梯度下降)
optimizer = tf.train.GradientDescentOptimizer(learning_rate =   global_learning_rate)
training_op = optimizer.minimize(mse) 
## 定义汇总
mse_summary = tf.summary.scalar('MSE',mse)                                # 创建了用来求MSE值的节点，并将其写入称为汇总（summary）的二进制日志字符串中  
file_writer = tf.summary.FileWriter(logdir, tf.get_default_graph())       # 创建一个将汇总写入日志目录的file_writer

5. 创建会话（执行期）

       在训练时定期对mse_summary节点求值，将汇总信息输出，并利用file_writer将其写入事件文件（日志文件）。

init = tf.global_variables_initializer()                                  # 添加初始化节点
def fetch_batch(epoch, batch_index, batch_size):
# 随机分组
   np.random.seed(epoch * n_batches + batch_index) 
   indices = np.random.randint(m, size=batch_size)
   X_batch = scaled_housing_data_plus_bias[indices] 
   y_batch = housing.target.reshape(-1, 1)[indices] 
 return X_batch, y_batch  

with tf.Session() as sess:
   sess.run(init)
   for epoch in range(n_epochs):
       for batch_index in range(n_batches):
           X_batch, y_batch = fetch_batch(epoch, batch_index, batch_size)
          # 将均方误差mse写入日志文件
          if batch_index % 10 == 0:
              summary_str = mse_summary.eval(feed_dict={X:X_batch, y:y_batch})
              step = epoch * n_batches + batch_index
              file_writer.add_summary(summary_str, step)
             
sess.run(training_op, feed_dict={X:X_batch, y:y_batch})
best_theta = theta.eval()
print("The best theta is", best_theta)
file_writer.close()

6. 运行结果

       运行会话后输出最终参数值并在目录./tf_logs/run-20190410073421下（目录名即系统时间戳）生成文件events.out.tfevents.1561521973.BaoDadeMacBook-Pro.local。

7. 启动Tensorboard服务器

       可以通过多种方式启动Tensorboard服务，可以通过virtualenv新建一个虚拟环境并启动Tensorboard，也可以在当前目录下直接启动Tensorboard，个人感觉两者并无太大差别，只要保证启动Tensorboard服务的目录一样就好。

• 在当前目录启动Tensorboard
  终端进入当前目录；
  启动Tensorboard，终端输入: tensorboard --logdir=./tf_logs/（file_writer序列化数据的存储路径）;
  启动完毕后：浏览器输入localhost:6006

• virtualenv环境中启动Tensorboard
  根据个人喜好进入一个目录并在此目录下创建一个virtualenv环境并激活它;
  在虚拟环境下启动Tensorboard:

  tensorboard --logdir=tf_logs/
  starting TensorBoard on port 6006
  (You can navigate to http://0.0.0.0:6006)
  

8. 查看训练状态

       由终端提示TensorBoard 1.13.1 at ...local:6006可知Tensorboard服务已启动并在6006端口监听，在浏览器中输入loclahost:6006可查看Tensorboard的监听界面如下：

图9-1.TensordBoard监听界面

9. 使用Tensorboard

       再次运行之前的代码，将产生新的日志文件。关于Tensorboard的使用可参见图9-2和图9-3。

图9-2.训练过程

图9-3.图结构

7.2 参考

[1] Geron.机器学习实战

标签：Visualization,housing,batch,summary,Tensorboard,tf,Tensorflow,mse
来源： https://blog.csdn.net/lrglgy/article/details/94554006