什么是TensorBoard？

怼烎@ 2021-09-19 00:48 272阅读 0赞

## 前言 ##

> 只有光头才能变强。

> 文本已收录至我的GitHub仓库，欢迎Star：[https://github.com/ZhongFuCheng3y/3y][https_github.com_ZhongFuCheng3y_3y]

回顾前面：

*  [从零开始学TensorFlow【01-搭建环境、HelloWorld篇】][TensorFlow_01-_HelloWorld]
 *  [什么是TensorFlow？][TensorFlow]
 *  [TensorFlow读写数据][TensorFlow 1]
 *  [如何理解axis？][axis]

这篇文章主要讲讲TensorBoard的基本使用以及`name_scope和variable_scope`的区别

## 一、入门TensorBoard ##

首先来讲讲TensorBoard是什么吧，我当时是在官方文档里学习的，官网也放出了介绍TensorBoard的视频。我在b站搜了一把，发现也有，大家可以**先去**看看视频了解一下(其实已经说得很好了)：

*  [https://www.bilibili.com/video/av35203293?from=search&seid=6605552834229124959][https_www.bilibili.com_video_av35203293_from_search_seid_6605552834229124959]

> 为了更方便 TensorFlow 程序的理解、调试与优化，于是就有了TensorBoard 这样的的**可视化工具**

因为我们编写出来的TensorFlow程序，建好一个神经网络，其实我们也不知道神经网络里头**具体细节**到底做了什么，**要人工调试十分困难**(就好比你无法想象出递归的所有步骤一样)。有了TensorBoard，可以将TensorFlow程序的执行步骤都显示出来，非常直观。并且，我们可以对**训练的参数**(比如loss值)进行统计，用**图**的方式来查看变化的趋势。

### 1.1 name\_scope和variable\_scope ###

在视频中其实也有提到，我们想要TensorBoard的图能够更好地展示(更加有条理)，那一般我们需要对其用`name_scope`取名。

那除了`name_scope`，还有一个叫做`variable_scope`。那他们有什么区别呢？顾名思义，`name_scope`是一个名称作用域，`variable_scope`是变量作用域。

在前面文章中，创建变量有两种方式，一种是用`tf.get_variable()`来创建，一种是用`tf.Variable()`来创建。这两种创建方式也是有区别的。

*  在`tf.name_scope`下时，`tf.get_variable()`创建的变量名**不受**`name_scope` 的影响，而且在未指定共享变量时，如果重名就会报错。`tf.Variable()`会自动检测有没有变量重名，如果有则会自行处理(自动创建一个)

比如下面的代码：

with tf.name_scope('name_sp1') as scp1:
        with tf.variable_scope('var_scp2') as scp2:
            with tf.name_scope('name_scp3') as scp3:
                a = tf.Variable('a')
                b = tf.get_variable('b')

等同于：

with tf.name_scope('name_sp1') as scp1:
        with tf.name_scope('name_sp2') as scp2:
            with tf.name_scope('name_scp3') as scp3:
                a = tf.Variable('a')
    
    with tf.variable_scope('var_scp2') as scp2:
            b = tf.get_variable('b')

这里体现的是如果用`get_variable`的方式来创建对象，是不受`name_scope`所影响的。

--------------------

要注意的是，下面的代码会报错。因为在scp作用域下压根就没有a这个变量，同时又设置成`reuse=True`。这里因为的是**找不到共享变量而出错**！

with tf.variable_scope('scp', reuse=True) as scp:
        a = tf.get_varialbe('a') #报错

同样地，下面的代码也会报错，因为明明**已经有**共享变量了，但设置成`reuse=false`。所以就会报错。

with tf.variable_scope('scp', reuse=False) as scp:    
         a = tf.get_varialbe('a')
        a = tf.get_varialbe('a') #报错

--------------------

最后，我们再来看这个例子，应该就可以看懂了。

with tf.variable_scope('variable_scope_y') as scope:
        var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)
        scope.reuse_variables()  # 设置共享变量
        var1_reuse = tf.get_variable(name='var1')
        var2 = tf.Variable(initial_value=[2.], name='var2', dtype=tf.float32)
        var2_reuse = tf.Variable(initial_value=[2.], name='var2', dtype=tf.float32)
    
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print(var1.name, sess.run(var1))
        print(var1_reuse.name, sess.run(var1_reuse))
        print(var2.name, sess.run(var2))
        print(var2_reuse.name, sess.run(var2_reuse))
    # 输出结果：
    # variable_scope_y/var1:0 [-1.59682846]
    # variable_scope_y/var1:0 [-1.59682846] 可以看到变量var1_reuse重复使用了var1
    # variable_scope_y/var2:0 [ 2.]
    # variable_scope_y/var2_1:0 [ 2.]

参考资料：

*  [https://www.zhihu.com/question/54513728][https_www.zhihu.com_question_54513728]

### 1.2 TensorBoard例子 ###

下面我们来看一个TensorBoard简单的入门例子，感受一下：

def learn_tensor_board_2():
        # prepare the original data
        with tf.name_scope('data'):
            x_data = np.random.rand(100).astype(np.float32)
            y_data = 0.3 * x_data + 0.1
        ##creat parameters
        with tf.name_scope('parameters'):
            with tf.name_scope('weights'):
                weight = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
                tf.summary.histogram('weight', weight)
            with tf.name_scope('biases'):
                bias = tf.Variable(tf.zeros([1]))
                tf.summary.histogram('bias', bias)
        ##get y_prediction
        with tf.name_scope('y_prediction'):
            y_prediction = weight * x_data + bias
        ##compute the loss
        with tf.name_scope('loss'):
            loss = tf.reduce_mean(tf.square(y_data - y_prediction))
            tf.summary.scalar('loss', loss)
        ##creat optimizer
        optimizer = tf.train.GradientDescentOptimizer(0.5)
        # creat train ,minimize the loss
        with tf.name_scope('train'):
            train = optimizer.minimize(loss)
        # creat init
        with tf.name_scope('init'):
            init = tf.global_variables_initializer()
        ##creat a Session
        sess = tf.Session()
        # merged
        merged = tf.summary.merge_all()
        ##initialize
        writer = tf.summary.FileWriter("/Users/zhongfucheng/tensorboard/loss-2", sess.graph)
        sess.run(init)
        ## Loop
        for step in range(201):
            sess.run(train)
            rs = sess.run(merged)
            writer.add_summary(rs, step)
    
    
    if __name__ == '__main__':
        learn_tensor_board_2()
        # 启动完了之后，要在命令行上运行tensor_board的命令，指定其目录，最后我们就可以通过6006的默认端口访问我们的图。

(例子来源网络，我改动了一下，出处我忘了，侵删~)

接下来，我们启动一下TensorBoard，看看图是怎么样的，启动命令如下：

tensorboard --logdir=/Users/zhongfucheng/tensorboard/loss-2

启动成功的图：

![启动成功的图][16a38a344b9caf01_w_1930_h_242_f_jpeg_s_95852]

通过6006端口我们去访问一下，首先我们可以检测到loss值的变更：

![loss值的变更][loss]

我们也可以查看TensorFlow程序大概的执行步骤：

![Tensorflow大概的执行步骤][Tensorflow]

参数w和b的直方图：

![参数w和b的直方图][w_b]

总之，TensorBoard可以方便地查看我们参数的变化，以便更好理解我们写的代码。

参考资料：

*  [https://www.cnblogs.com/tengge/p/6376073.html][https_www.cnblogs.com_tengge_p_6376073.html]
 *  [https://www.cnblogs.com/fydeblog/p/7429344.html][https_www.cnblogs.com_fydeblog_p_7429344.html]

## 最后 ##

> 乐于输出**干货**的Java技术公众号：Java3y。公众号内有200多篇**原创**技术文章、海量视频资源、精美脑图，不妨来**关注**一下！

![帅的人都关注了][169722e395ce2d12_w_258_h_258_f_jpeg_s_21338]

觉得我的文章写得不错，不妨点一下**赞**！

[https_github.com_ZhongFuCheng3y_3y]: https://github.com/ZhongFuCheng3y/3y
[TensorFlow_01-_HelloWorld]: https://mp.weixin.qq.com/s?__biz=MzI4Njg5MDA5NA==&mid=2247484946&idx=1&sn=ee8615d443fa3956bbf85df67d2045e3&chksm=ebd74713dca0ce055fee3cf8a88515ca0089c706a68a2449ce61a9e1edbfc4be763ecb93900a#rd
[TensorFlow]: https://mp.weixin.qq.com/s?__biz=MzI4Njg5MDA5NA==&mid=2247484954&idx=1&sn=378482d86bb800076f7add67d2091d55&chksm=ebd7471bdca0ce0dc50c1807b17f6abe1df2c8a3d97cd2f304345221a8217d0c6463434a530f&token=1294297615&lang=zh_CN#rd
[TensorFlow 1]: https://mp.weixin.qq.com/s?__biz=MzI4Njg5MDA5NA==&mid=2247484984&idx=1&sn=b11d353aa5aa9e7964c715f5ab7d4ddd&chksm=ebd74739dca0ce2f82f21586531a03effe69d78ab21671d116ffb56aa6f1220e5a3028d1bc5e&token=1680438078&lang=zh_CN#rd
[axis]: https://mp.weixin.qq.com/s?__biz=MzI4Njg5MDA5NA==&mid=2247485014&idx=1&sn=b04029123cdb067c113a83fc9470e348&chksm=ebd74757dca0ce416b8d8b2f514245f0f8be4c00a68b0b3e9934b615184e530794ed6a0879ab&token=1680438078&lang=zh_CN#rd
[https_www.bilibili.com_video_av35203293_from_search_seid_6605552834229124959]: https://www.bilibili.com/video/av35203293?from=search&seid=6605552834229124959
[https_www.zhihu.com_question_54513728]: https://www.zhihu.com/question/54513728
[16a38a344b9caf01_w_1930_h_242_f_jpeg_s_95852]: https://user-gold-cdn.xitu.io/2019/4/20/16a38a344b9caf01?w=1930&h=242&f=jpeg&s=95852
[loss]: https://user-gold-cdn.xitu.io/2019/4/20/16a38a344bd10dd6?w=1918&h=938&f=jpeg&s=158438
[Tensorflow]: https://user-gold-cdn.xitu.io/2019/4/20/16a38a344bcb929a?w=1798&h=1042&f=jpeg&s=100448
[w_b]: https://user-gold-cdn.xitu.io/2019/4/20/16a38a344f788eb1?w=1923&h=1080&f=jpeg&s=137243
[https_www.cnblogs.com_tengge_p_6376073.html]: https://www.cnblogs.com/tengge/p/6376073.html
[https_www.cnblogs.com_fydeblog_p_7429344.html]: https://www.cnblogs.com/fydeblog/p/7429344.html
[169722e395ce2d12_w_258_h_258_f_jpeg_s_21338]: https://user-gold-cdn.xitu.io/2019/3/12/169722e395ce2d12?w=258&h=258&f=jpeg&s=21338