tensorboard的histogram数据解读

最新推荐文章于 2025-06-07 00:07:46 发布

原创

最新推荐文章于 2025-06-07 00:07:46 发布 · 5.1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#tensorboard #tensorflow

这篇博客探讨了TensorBoard中histogram的表示方法，解释了TensorFlow如何使用指数分布创建非均匀的bins，以及这可能导致的可视化问题。文章提到，尽管这种分布有利于处理大型稀疏数据集，但它可能导致直方图的形状失真。为了解决这个问题，TensorBoard通过重采样数据到均匀bins来改善直方图的可读性。案例分析了一维向量在直方图中的表现形式：0附近的bin较窄且高，远离0的bin较宽且矮。

仔细研究了一下tensorboard的直方图表示

参考文献, 官方文档:https://www.tensorflow.org/get_started/tensorboard_histograms

import tensorflow as tf

k = tf.placeholder(tf.float32)

# Make a normal distribution, with a shifting mean
mean_moving_normal = tf.random_normal(shape=[1000], mean=(5*k), stddev=1)
# Record that distribution into a histogram summary
tf.summary.histogram("normal/moving_mean", mean_moving_normal)

# Setup a session and summary writer
sess = tf.Session()
writer = tf.summary.FileWriter("/tmp/histogram_example")

summaries = tf.summary.merge_all()

# Setup a loop and write the summaries to disk
N = 400
for step in range(N):
  k_val = step/float(N)
  summ = sess.run(summaries, feed_dict={k: k_val})
  writer.add_summary(summ, global_step=step)

在google官方文档中,变量mean_moving_normal是一个以5k为中心,dev=1的正太分布的抽样,包含1000个样本,

tf.summary.histogram函数相当于对1000个样本(也就是shape=(1000,1)的向量)做了一个分布直方图,这个很好理解.