TensorBoard简介

Tensorflow发布包中提供了TensorBoard，用于展示Tensorflow任务在计算过程中的Graph、定量指标图以及附加数据。大致的效果如下所示， 

TensorBoard工作机制

TensorBoard 通过读取 TensorFlow 的事件文件来运行。TensorFlow 的事件文件包括了你会在 TensorFlow 运行中涉及到的主要数据。关于TensorBoard的详细介绍请参考。下面做个简单介绍。

Tensorflow的API中提供了一种叫做的操作，用于将Tensorflow计算过程的相关数据序列化成字符串Tensor。例如标量数据的图表或者梯度权重的分布。

通过来将序列化后的Summary数据保存到磁盘指定目录（通过参数logdir指定）。此外，SummaryWriter构造函数还包含了一个可选参数GraphDef，通过指定该参数，可以在TensorBoard中展示Tensorflow中的Graph（如上图所示）。

大致的代码框架如下所示：

merged_summary_op = tf.merge_all_summaries()summary_writer = tf.train.SummaryWriter('/tmp/mnist_logs', sess.graph)total_step = 0while training:    total_step += 1    session.run(training_op)    if total_step % 100 == 0:        summary_str = session.run(merged_summary_op)        summary_writer.add_summary(summary_str, total_step)

启动TensorBoard的命令如下，

python tensorflow/tensorboard/tensorboard.py --logdir=/tmp/mnist_logs

其中--logdir命令行参数指定的路径必须跟SummaryWriter的logdir参数值保持一致，TensorBoard才能够正确读取到Tensorflow的事件文件。

启动Tensorflow后，我们在浏览器中输入http://localhost:6006 即可访问TensorBoard页面了。

通过MNIST实例来验证TensorBoard

的源代码目录tensorflow/examples/tutorials/mnist目录下提供了手写数字MNIST识别样例代码。该样例代码同样包含了SummaryWriter的相关代码，我们可以使用该样例代码来验证一下TensorBoard的效果。

首先，克隆一下tensorflow的代码库到本地，

$ git clone https://github.com/tensorflow/tensorflow.git$ cd tensorflow/examples/tutorials/mnist/$ emacs fully_connected_feed.py

对fully_connected_feed.py的代码做一下下面两个地方的修改：

1. 将29、30行的import语句修改一下

   import input_dataimport mnist

2. 将154行的FLAGS.train_dir修改成'/opt/tensor'：

   # Instantiate a SummaryWriter to output summaries and the Graph.summary_writer = tf.train.SummaryWriter('/opt/tensor', sess.graph)

样例代码准备好了，下面我们如何启动TensorBoard。

Tensorflow官方的Docker镜像提供了一个可快速使用Tensorflow的途径。不过该镜像默认启动的是jupyter。我们通过下面命令通过该镜像启动TensorBoard，并且将我们准备好的MNIST样例代码通过volume挂载到容器中。

lienhuadeMacBook-Pro:tensorflow lienhua34$ docker run -d -p 6006:6006 --name=tensorboard -v /Users/lienhua34/Programs/python/tensorflow/tensorflow/examples/tutorials/mnist:/tensorflow/mnist tensorflow/tensorflow tensorboard --logdir=/opt/tensor50eeb7282f60c10ed52d26f34feeb3472cf36d83c546357801c45e14939adf1alienhuadeMacBook-Pro:tensorflow lienhua34$ lienhuadeMacBook-Pro:tensorflow lienhua34$ docker ps -aCONTAINER ID        IMAGE                                    COMMAND                  CREATED             STATUS                   PORTS                              NAMES50eeb7282f60        tensorflow/tensorflow                    "tensorboard --logdir"   49 minutes ago      Up 4 seconds             0.0.0.0:6006->6006/tcp, 8888/tcp   tensorboard

此时，我们在浏览器中输入http://localhost:6006/ ,得到下面的效果， 

因为我们还没有运行MNIST的样例代码，所以TensorBoard提示没有数据。下面我们将进入tensorboard容器中运行MNIST的样例代码，

lienhuadeMacBook-Pro:tensorflow lienhua34$ docker exec -ti tensorboard /bin/bashroot@50eeb7282f60:/notebooks# cd /tensorflow/mnist/                                                                                                                                 root@50eeb7282f60:/tensorflow/mnist# python fully_connected_feed.py Extracting data/train-images-idx3-ubyte.gzExtracting data/train-labels-idx1-ubyte.gzExtracting data/t10k-images-idx3-ubyte.gzExtracting data/t10k-labels-idx1-ubyte.gzStep 0: loss = 2.31 (0.010 sec)Step 100: loss = 2.13 (0.007 sec)Step 200: loss = 1.90 (0.008 sec)Step 300: loss = 1.56 (0.008 sec)Step 400: loss = 1.37 (0.007 sec)Step 500: loss = 0.99 (0.005 sec)Step 600: loss = 0.82 (0.004 sec)Step 700: loss = 0.77 (0.004 sec)Step 800: loss = 0.83 (0.004 sec)Step 900: loss = 0.54 (0.004 sec)Training Data Eval:  Num examples: 55000  Num correct: 47055  Precision @ 1: 0.8555Validation Data Eval:  Num examples: 5000  Num correct: 4303  Precision @ 1: 0.8606Test Data Eval:  Num examples: 10000  Num correct: 8639  Precision @ 1: 0.8639Step 1000: loss = 0.52 (0.010 sec)Step 1100: loss = 0.58 (0.444 sec)Step 1200: loss = 0.44 (0.005 sec)Step 1300: loss = 0.42 (0.005 sec)Step 1400: loss = 0.69 (0.005 sec)Step 1500: loss = 0.43 (0.004 sec)Step 1600: loss = 0.43 (0.006 sec)Step 1700: loss = 0.39 (0.004 sec)Step 1800: loss = 0.34 (0.004 sec)Step 1900: loss = 0.34 (0.004 sec)Training Data Eval:  Num examples: 55000  Num correct: 49240  Precision @ 1: 0.8953Validation Data Eval:  Num examples: 5000  Num correct: 4506  Precision @ 1: 0.9012Test Data Eval:  Num examples: 10000  Num correct: 8987  Precision @ 1: 0.8987root@50eeb7282f60:/tensorflow/mnist# ls -l /opt/tensortotal 76-rw-r--r-- 1 root root 77059 Oct 25 14:53 events.out.tfevents.1477407177.50eeb7282f60

通过上面的运行结果，我们看到MNIST样例代码正常运行，而且在/opt/tensor目录下也生成了Tensorflow的事件文件events.out.tfevents.1477407177.50eeb7282f60。此时我们刷新一下TensorBoard的页面，看到的效果如下， 

 

如果想看到TensorBoard展示的丰富信息，可以使用mnist目录下的mnist_with_summaries.py文件。

(done)