TensorBoard簡介

Tensorflow發佈包中提供了TensorBoard，用於展示Tensorflow任務在計算過程中的Graph、定量指標圖以及附加數據。大致的效果如下所示， 

TensorBoard工作機制

TensorBoard 通過讀取 TensorFlow 的事件文件來運行。TensorFlow 的事件文件包括了你會在 TensorFlow 運行中涉及到的主要數據。關於TensorBoard的詳細介紹請參考TensorBoard:可視化學習。下麵做個簡單介紹。

Tensorflow的API中提供了一種叫做Summary的操作，用於將Tensorflow計算過程的相關數據序列化成字元串Tensor。例如標量數據的圖表scalar_summary或者梯度權重的分佈histogram_summary。

通過tf.train.SummaryWriter來將序列化後的Summary數據保存到磁碟指定目錄（通過參數logdir指定）。此外，SummaryWriter構造函數還包含了一個可選參數GraphDef，通過指定該參數，可以在TensorBoard中展示Tensorflow中的Graph（如上圖所示）。

大致的代碼框架如下所示：

merged_summary_op = tf.merge_all_summaries()
summary_writer = tf.train.SummaryWriter('/tmp/mnist_logs', sess.graph)
total_step = 0
while 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)

啟動TensorBoard的命令如下，

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

其中--logdir命令行參數指定的路徑必須跟SummaryWriter的logdir參數值保持一致，TensorBoard才能夠正確讀取到Tensorflow的事件文件。

啟動Tensorflow後，我們在瀏覽器中輸入http://localhost:6006 即可訪問TensorBoard頁面了。

通過MNIST實例來驗證TensorBoard

tensorflow/tensorflow的源代碼目錄tensorflow/examples/tutorials/mnist目錄下提供了手寫數字MNIST識別樣例代碼。該樣例代碼同樣包含了SummaryWriter的相關代碼，我們可以使用該樣例代碼來驗證一下TensorBoard的效果。

首先，克隆一下tensorflow的代碼庫到本地，

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

對fully_connected_feed.py的代碼做一下下麵兩個地方的修改：

1. 將29、30行的import語句修改一下

   import input_data
   import mnist

2. 將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)

樣例代碼準備好了，下麵我們如何啟動TensorBoard。

Tensorflow官方的Docker鏡像tensorflow/tensorflow提供了一個可快速使用Tensorflow的途徑。不過該鏡像預設啟動的是jupyter。我們通過下麵命令通過該鏡像啟動TensorBoard，並且將我們準備好的MNIST樣例代碼通過volume掛載到容器中。

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/tensor
50eeb7282f60c10ed52d26f34feeb3472cf36d83c546357801c45e14939adf1a
lienhuadeMacBook-Pro:tensorflow lienhua34$ 
lienhuadeMacBook-Pro:tensorflow lienhua34$ docker ps -a
CONTAINER ID        IMAGE                                    COMMAND                  CREATED             STATUS                   PORTS                              NAMES
50eeb7282f60        tensorflow/tensorflow                    "tensorboard --logdir"   49 minutes ago      Up 4 seconds             0.0.0.0:6006->6006/tcp, 8888/tcp   tensorboard

此時，我們在瀏覽器中輸入http://localhost:6006/ ,得到下麵的效果， 

因為我們還沒有運行MNIST的樣例代碼，所以TensorBoard提示沒有數據。下麵我們將進入tensorboard容器中運行MNIST的樣例代碼，

lienhuadeMacBook-Pro:tensorflow lienhua34$ docker exec -ti tensorboard /bin/bash
root@50eeb7282f60:/notebooks# cd /tensorflow/mnist/                                                                                                                                 
root@50eeb7282f60:/tensorflow/mnist# python fully_connected_feed.py 
Extracting data/train-images-idx3-ubyte.gz
Extracting data/train-labels-idx1-ubyte.gz
Extracting data/t10k-images-idx3-ubyte.gz
Extracting data/t10k-labels-idx1-ubyte.gz
Step 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: 0.8555
Validation Data Eval:
  Num examples: 5000  Num correct: 4303  Precision @ 1: 0.8606
Test Data Eval:
  Num examples: 10000  Num correct: 8639  Precision @ 1: 0.8639
Step 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: 0.8953
Validation Data Eval:
  Num examples: 5000  Num correct: 4506  Precision @ 1: 0.9012
Test Data Eval:
  Num examples: 10000  Num correct: 8987  Precision @ 1: 0.8987
root@50eeb7282f60:/tensorflow/mnist# ls -l /opt/tensor
total 76
-rw-r--r-- 1 root root 77059 Oct 25 14:53 events.out.tfevents.1477407177.50eeb7282f60

通過上面的運行結果，我們看到MNIST樣例代碼正常運行，而且在/opt/tensor目錄下也生成了Tensorflow的事件文件events.out.tfevents.1477407177.50eeb7282f60。此時我們刷新一下TensorBoard的頁面，看到的效果如下， 

如果想看到TensorBoard展示的豐富信息，可以使用mnist目錄下的mnist_with_summaries.py文件。

(done)