Tensorboard计算图可视化结果是怎么样的

最新推荐文章于 2025-10-27 15:09:36 发布

原创

最新推荐文章于 2025-10-27 15:09:36 发布 · 585 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#可视化 #深度学习 #人工智能

Tensorboard的GRAPHS选项卡展示TensorFlow计算图结构，通过命名空间区分不同部分，如layer_1和layer_y，以及cross_entropy和accuracy。计算图分为主图和辅助图，避免过于拥挤。节点间的实线边表示数据传输，边的粗细表示标量维度大小。单击节点可查看输入、输出和依赖关系，以及运行设备和参数。

AUDIO 选项卡的右侧是GRAPHS 选项卡，也就是展示计算图可视化效果的地方。我们选择 GRAPHS 选项卡作为重点介绍的对象，实际上它也正是整个 TensorBoard 的灵魂所在。在 GRAPHS 选项卡中可以看到整个 Tensor Flow 计算图的结构，如下图所示。

在这里插入图片描述
从上图可以看出，一些主要的部分己经用命名空间的名称表示出来，例如 layer_1 和 layer_y，以及 cross_entropy、 accuracy 和 train，这也正是我们在程序中使用命名空间划分各部分的原因。通过命名空间手动调整计算图的可视化效果图是一种不错的做法，除此之外， TensorBoard 也会智能调整计算图上的节点。例如，计算图中会有一些执行相同操作的节点，这会造成计算图中存在比较多的依赖关系，如果全部画在一张图上会使可视化得到的效果图非常拥挤，于是 TensorBoard 将计算图分成了主图（Main Graph）和辅助图（Auxiliary Graph）两个部分来呈现。在上图中，左侧展示的是计算图的主图部分；右侧展示的是辅助图部分，辅助图部分包含一些单独列出来的节点，从这些单独列出来的节点可以看到，layer_1 和 layer_y 和 train 都包含有 init 节点。我们先来关注网络的前向传播过程。

x-input节点代表训练神经网络需要输入的数据，这些输入数据会提供给第一个隐藏层 layer_1 以及 input_reshape （汇总图像数据的命名空间） , layer_1 处理之后的数据会传递到 layer_y, layer_y 的输出会传递到 cross_entropy 和 accuracy。cross_ entropy 和 accuracy 同时还接收了来自 y-input 节点的数据用于计算交叉熵损失和准确率。最后 cross_entropy节点的数据会提供给神经网络的优化过程，也就是图中位train 所代表的节点。训练中 backward 的求解梯度和更新参数等操作是 Tenso