[Introduction à TensorBoard] Visualisez le traitement TensorFlow pour approfondir la compréhension

Accélérez votre compréhension de TensorFlow avec TensorBoard

Si vous êtes diplômé en arts libéraux et que vous êtes nouveau dans Python, sans parler du Deep Learning, il est difficile de comprendre TensorFlow. J'ai également appris TensorBoard ** pour accélérer ma compréhension. Il peut être utilisé non seulement pour promouvoir la compréhension de l'apprentissage profond compliqué, mais également à diverses fins telles que le débogage, l'optimisation du traitement et la refonte. Il existe diverses visualisations, mais ** cet article se concentre sur la méthode de sortie Graph pour les débutants ** (j'aimerais pouvoir l'élargir et l'approfondir, mais ma compréhension n'a pas rattrapé ce point. Hmm: transpirer :). Le Guide officiel "Tensor Board: Visualizing Learning" était déroutant, donc je l'ai beaucoup simplifié. Le site de Visualiser le traitement avec TensorBoard était merveilleux et je l'ai utilisé comme référence. Environnement: confirmé avec python3.5 tensorflow1.1 et tensorflow1.21

Lien de référence

• Installer TensorFlow sur Windows Easy pour les débutants Python
• [Explication pour les débutants] Syntaxe et concept de base de TensorFlow
• [Explication pour les débutants] Tutoriel TensorFlow MNIST (pour les débutants)
• [TensorFlow Tutorial MNIST (pour les débutants) visualisé avec TensorBoard] (http://qiita.com/FukuharaYohei/items/2834cc054a8b8884e150)
• [Introduction à TensorBoard: image] TensorFlow Visualisez le traitement d'image pour approfondir la compréhension
• [Introduction à TensorBoard: Projecteur] Rendre le traitement TensorFlow cool
• [Explication pour les débutants] Tutoriel TensorFlow Deep MNIST
• Mémo API TensorFlow
• Les traits du visage de Yuki Kashiwagi pour comprendre TensorFlow [Partie 1]

Logique simple pour TensorBoard (graphique)

Visualiser 1 + 2 expressions dans le graphique

Calculez la constante 1 + 2 comme ceci et visualisez-la. Pour être honnête, c'est très simple.

import tensorflow as tf
sess = tf.InteractiveSession()

#Répertoire de sortie des informations TensorBoard
log_dir = '/tmp/tensorflow/mnist/logs/simple01'

#Supprimez le répertoire spécifié s'il existe et recréez-le
if tf.gfile.Exists(log_dir):
    tf.gfile.DeleteRecursively(log_dir)
tf.gfile.MakeDirs(log_dir)

#1 avec une constante+ 2
x = tf.constant(1, name='x')
y = tf.constant(2, name='y')
z = x + y

#Sortie z sur le graphe avec cette commande
_ = tf.summary.scalar('z', z)

#Dessinez un graphique avec Summary Writer(Les commandes suivantes ne seront pas affichées sur le graphique)
summary_writer = tf.summary.FileWriter(log_dir , sess.graph)

#Courir
print(sess.run(z))

#RésuméWriter fermé
summary_writer.close()

Puis lancez Tensorboard. Puisque mon environnement est construit avec Anaconda, je démarre d'abord Terminal à partir d'Anaconda Navigator.

Ensuite, démarrez Tensorbaord depuis Terminal en spécifiant le répertoire (le répertoire est stocké dans la variable de programme Python log_dir).

tensorboard --logdir=/tmp/tensorflow/mnist/logs/simple01

Après le lancement, ouvrez http: // localhost: 6006 / dans votre navigateur pour afficher l'écran TensorBoard.

Je me fâche avec "Aucune donnée scalaire n'a été trouvée", mais cette fois, il n'y a pas de problème car le scalaire n'est pas sorti et seule la sortie graphique est utilisée. En sélectionnant "Graphiques" dans le menu à l'écran, le graphique ci-dessous sera sorti. J'ai pu voir la formule 1 + 2 ici.

Regroupement à l'aide de tf.name_scope

Le regroupement peut être effectué en ajoutant tf.name_scope au code source précédent.

import tensorflow as tf
sess = tf.InteractiveSession()

#Répertoire de sortie des informations TensorBoard
log_dir = '/tmp/tensorflow/mnist/logs/simple02'

#Supprimez le répertoire spécifié s'il existe et recréez-le
if tf.gfile.Exists(log_dir):
    tf.gfile.DeleteRecursively(log_dir)
tf.gfile.MakeDirs(log_dir)

# add_Regroupement par nom de périmètre
with tf.name_scope('add_scope'):
    
    #1 avec une constante+ 2
    x = tf.constant(1, name='x')
    y = tf.constant(2, name='y')
    z = x + y
    
    #Sortie z sur le graphe avec cette commande
    _ = tf.summary.scalar('z', z)


#Dessinez un graphique avec Summary Writer(Les commandes suivantes ne seront pas affichées sur le graphique)
summary_writer = tf.summary.FileWriter(log_dir , sess.graph)

#Courir
print(sess.run(z))

#RésuméWriter fermé
summary_writer.close()

résultat Le groupement (frame) est créé avec le nom add_scope. Lorsque le calcul est compliqué, il est trop difficile de voir s'il ne peut pas être groupé.

Hiérarchie des expressions

Ajoutez tf.name_scope au code source précédent de manière imbriquée pour créer une hiérarchie de plusieurs expressions.

import tensorflow as tf
sess = tf.InteractiveSession()

#Répertoire de sortie des informations TensorBoard
log_dir = '/tmp/tensorflow/mnist/logs/simple02'

#Supprimez le répertoire spécifié s'il existe et recréez-le
if tf.gfile.Exists(log_dir):
    tf.gfile.DeleteRecursively(log_dir)
tf.gfile.MakeDirs(log_dir)

#add_Regroupement par nom de périmètre
with tf.name_scope('add_scope'):

    #1 avec une constante+ 2
    x = tf.constant(1, name='x')
    y = tf.constant(2, name='y')
    z = x + y
    
    #Sortie z sur le graphe avec cette commande
    _ = tf.summary.scalar('z', z)
    
    #Multipliez le résultat ci-dessus
    with tf.name_scope('multiply_scope'):
        zz = y * z

#Dessinez un graphique avec Summary Writer(Les commandes suivantes ne seront pas affichées sur le graphique)
summary_writer = tf.summary.FileWriter(log_dir , sess.graph)

#Courir
print(sess.run(z))

#RésuméWriter fermé
summary_writer.close()

résultat C'était superposé et soigné.

référence À propos, si vous les mettez dans la même ligne au lieu de les superposer, ils seront affichés sous cette forme.