小白学Tensorflow之可视化与图

作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai

---

Tensorflow提供了很强大的可视化功能，今天来学习一下。
当我们导入tensorflow包的时候，系统已经帮助我们产生了一个默认的图，它被存在_default_graph_stack中，但是我们没有权限直接进入这个图，我们需要使用tf.get_default_graph()命令来获取图。

>>> graph = tf.get_default_graph()

tensorflow中的图上的节点被称之为operations或者ops。我们可以使用graph.get_operations()命令来获取图中的operations。

>>> graph.get_operations()
# []

现在，因为图中没有操作，所以返回的是[]。我们可以向图中添加任何的操作，比如我们先定义一个常量input_value。

>>> input_value = tf.constant(1.0)

现在，这个常量作为一个节点被添加到了图中，作为一个operations。现在，我们能发现operations中存在值了。

>>> operations = graph.get_operations()
>>> operations
# [<tensorflow.python.framework.ops.Operation at 0x1185005d0>]
>>> operations[0].node_def
# name: "Const"
# op: "Const"
# attr {
#   key: "dtype"
#   value {
#     type: DT_FLOAT
#   }
# }
# attr {
#   key: "value"
#   value {
#     tensor {
#       dtype: DT_FLOAT
#       tensor_shape {
#       }
#       float_val: 1.0
#     }
#   }
# }

Tensorflow还能做很多非常有意义的事，但是你必须给每个操作都赋予明确的含义，即使只是一个常量。

如果我们查看常量input_value，我们将能看到它只是一个32位的浮点数类型的tensor，维度是零维度。

>>> input_value
# <tf.Tensor 'Const:0' shape=() dtype=float32>

可能你注意到了，我们发现这个操作并没有告诉我们input_value的值是多少。这是为什么呢？因为图graph只是定义了操作operations，但是操作operations只能在session里面执行，但是graph和session是独立创建的。所以，我们上述操作才没有显示input_value的值是多少。如果，我们想知道input_value中具体的值是多少，那么我们需要创建一个session，具体如下：

>>> sess = tf.Session()
>>> sess.run(input_value)
# 1.0

至此，我们已经在图中创建了一个session。

接下来，我们创建一个神经元。为了简便，我们只创建一个参数变量，在这里我们不使用常量constant来构建，因为我们希望在后续的计算中，这个权重可以更新，所以我们采用Variable来构建参数变量。

>>> weight = tf.Variable(0.8)

可能，你会认为，你只是添加了一个Variable，那么在图中也只会增加一个操作operations。但是事实上，增加了这个权重，却增加了四个操作。我们能使用以下命令来查看各个operations的名字。

>>> for op in graph.get_operations():
>>>     print op.name
# Const
# Variable/initial_value
# Variable
# Variable/Assign
# Variable/read

我们不会关心每一个操作，但是关心每一个操作的含义是有意义的。

>>> output_value = weight * input_value

现在，你查看图中的操作，发现有六个操作了，其中最后一个操作的名字是mul。

>>> op = graph.get_operations()[-1]
>>> op.name
# 'mul'
>>> for op_input in op.inputs:
>>>     print op_input
# Tensor("Variable/read:0", shape=(), dtype=float32)
# Tensor("Const:0", shape=(), dtype=float32)

这个显示说明了，这个乘法操作的数据来源是哪里。

那么，我们怎么执行这个乘法操作呢？我们必须去run这个乘法，才能得到output_value的值。但是，这个操作依赖于一个参数weight。我们告诉Tensorflow这个值得初始值是0.8，但是这个初始化操作还没有在session中执行，我们需要使用tf.initialize_all_variables()来初始化参数变量。

>>> init = tf.initialize_all_variables()
>>> sess.run(init)

执行tf.initialize_all_variables()操作将初始化当前图中的所有参数变量，但是如果你想重新加入一个变量，那么就需要重新执行tf.initialize_all_variables()操作，因为先前的操作不包括初始化新的参数变量。

现在，我们来打印output_value操作。

>>> sess.run(output_value)
# 0.80000001

至此，我们已经能简单的描述一个图了。但是，TensorBoard提供了更加强大的可视化功能，接下来，我们来实现这个可视化功能。
TensorBoard读取操作operations中的每一个名字，然后对每个名字进行操作。比如如下操作：

>>> x = tf.constant(1.0, name = 'input')
>>> w = tf.Variable(0.8, name = 'weight')
>>> y = tf.mul(w, x, name = 'output')

TensorBoard的工作原理是从session创建的一个目录中读取结果。我们能使用SummaryWriter函数将output的结果保存到一个目录下面。

SummaryWriter函数的第一个参数是输出目录的名字，这个目录如果不存在，那么将会被创建。

>>> summary_writer = tf.train.SummaryWriter('log_simple_graph', sess.graph)

那么，我们可以在终端下面使用这个命令。

$ tensorboard --logdir=log_simple_graph

TensorBoard运行这个图在本地的6006端口，即localhost:6006。

最后附上一个完整代码，以供学习。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf

x = tf.constant(1.0, name='input')
w = tf.Variable(0.8, name='weight')
y = tf.mul(w, x, name='output')
y_ = tf.constant(0.0, name='correct_value')
loss = tf.pow(y - y_, 2, name='loss')
train_step = tf.train.GradientDescentOptimizer(0.025).minimize(loss)

for value in [x, w, y, y_, loss]:
    tf.scalar_summary(value.op.name, value)

summaries = tf.merge_all_summaries()

sess = tf.Session()
summary_writer = tf.train.SummaryWriter('log_simple_stats', sess.graph)

sess.run(tf.initialize_all_variables())
for i in range(100):
    summary_writer.add_summary(sess.run(summaries), i)
    sess.run(train_step)