第一篇博客：tensorboard采坑

第一次写博客，原因是在大三考试周的紧要关头被【线(ji)性(qi)优(xue)化(xi)】这门课的编程作业坑了........

心中愤懑不平，在这里调整一下，给自己一点微弱的成就感，如果还能帮到和我一样的“大白”那就再好不过了hh

• Tensorflow参数训练结果的可视化

我要做的是tensorflow训练出的kernel（即权重）的可视化显示。

其实后来想想道理真的很简单：网络（CNN）训练完成后肯定会将模型参数都保存下来，这是训练的结果所在。我们只要知道这些结果的数值不就ok了吗？可视化也就是把参数值变成以下或者别的可能的图像：

1. 有关训练轮数的折线图；
2. 直方图
3. 像素值
4. ......

所以我们通过session.run(变量)得到参数值就好了，然后就是变成图像。以我的代码为例，把kernel变成像素值，然后记录：

        for var in tf.trainable_variables():
            if var.name == 'conv2d/kernel:0':
                print(var)
                kernel1 = sess.run('conv2d/kernel:0')  #获取参数值！！
                kmin = np.min(kernel1)
                kmax = np.max(kernel1)
                kernel1_n = (kernel1-kmin) / (kmax-kmin) #归一
                print(kernel1_n.shape)
                #维度位置交换，个数在最前、通道数在最后
                #因为图片输出函数tf.summary.image()需要输入维度的格式是(batch数，长，宽，彩色通道)
                kernel_transposed = tf.transpose(kernel1_n, [3, 0, 1, 2])
                tf.summary.image('filter1', kernel_transposed, max_outputs=32) # 32个kernel都记录下来
                merged = tf.summary.merge_all() #所有的summary操作集合起来

                summary_writer = tf.summary.FileWriter('/tmp/tensorboard', sess.graph) #写到磁盘
                summary_all = sess.run(merged) #启动所有的summary
                summary_writer.add_summary(summary_all, 0) # summary的结果传给writer写到磁盘，第二个参数需要的话就是训练的轮数（或者说时间参数）
                summary_writer.close()

• Tensorboard巨坑

这里有一个坑，运气好了没关系，运气差了碰到这个问题都不知道为什么....这个问题是启动tensorboard时的日志的目录位置到底怎么写。

上面的代码中，控制summary写到磁盘什么位置的一行是：

                summary_writer = tf.summary.FileWriter('/tmp/tensorboard', sess.graph) #写到磁盘

这里我写的位置是：'/tmp/tensorboard'

通过尝试我发现，这并不是在我的项目目录下新建这个目录，而是在项目所在的磁盘（比如D盘）建立这个目录。所以说“写到磁盘”这句话莫名贴切。

发现了日志文件的位置，我在命令行cmd中输入以下指令启动tensorboard：

结果tensorboard告诉我什么都没有......

百般查询之后，通过我的实验确认，执行指令时所在磁盘应该要和日志所在的磁盘是同一个......尼玛还真是奇怪的统一。

如果你比较懒，那就让日志输出到C盘去，把writer的那行代码指出的目录改掉，例如：

                summary_writer = tf.summary.FileWriter('C:/tmp/tensorboard', sess.graph) 

这样每次打开cmd都在用户目录也不用去cd了。

• Kernel可视化结果

最终我在tensorboard上得到的部分kernel图像如下：