摘要：保存的路徑構建的，可通過獲得我們將的返回值記為，然后在調(diào)用后，將會返回一個當前訓練步數(shù)現(xiàn)在我們就可以使用查看訓練過程了在中輸入如下命令響應在瀏覽器中打開沒錯這就是我們和過程中的情況。

當我們訓練一個deep learning模型時，怎么樣判斷當前是過擬合，還是欠擬合等狀態(tài)呢？實踐中，我們常常會將數(shù)據(jù)集分為三部分：train、validation、test。訓練過程中，我們讓模型盡力擬合train數(shù)據(jù)集，在validation數(shù)據(jù)集上測試擬合程度。當訓練過程結束后，我們在test集上測試模型最終效果。有經(jīng)驗的煉丹師往往會通過模型在train和validation上的表現(xiàn)，來判斷當前是否是過擬合，是否是欠擬合。這個時候，TensorBoard就派上了大用場！

有沒有覺的一目了然呢？我強烈推薦大家使用TensorBoard，使用后煉丹功力顯著提升！

下面，我來講一下如何使用TensorBoard。要使用，也要優(yōu)雅！
如果你喜歡自己梳理知識，自己嘗試，那么不妨閱讀官方文檔：戳這里查看官方文檔
不然的話，就隨著老夫玩轉(zhuǎn)TensorBoard吧 ^0^

熟悉一個新知識的時候，應該將不必要的東西最精簡化，將注意力集中到我們最關注的地方，所以，我寫了一個最簡單的模型，在這個模型的基礎上對TensorBoard進行探索。

首先看一下這個極簡的線性模型：

import tensorflow as tf
import random

class Model(object):

    def __init__(self):
        self.input_x = tf.placeholder(dtype=tf.float32, shape=[None, ], name="x")
        self.input_y = tf.placeholder(dtype=tf.float32, shape=[None, ], name="y")

        W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), dtype=tf.float32)
        b = tf.Variable(tf.random_uniform([1], -1.0, 1.0), dtype=tf.float32)

        y_predict = self.input_x * W + b
        self.loss = tf.reduce_sum(tf.abs(y_predict - self.input_y))

相信這個模型大家很快就能看懂，所以就不多說了。接下來看構造數(shù)據(jù)的代碼：

x_all = []
y_all = []

random.seed(10)
for i in range(3000):
    x = random.random()
    y = 0.3 * x + 0.1 + random.random()
    x_all.append(x)
    y_all.append(y)

x_all = np.array(x_all)
y_all = np.array(y_all)
shuffle_indices = np.random.permutation(np.arange(len(x_all)))

x_shuffled = x_all[shuffle_indices]
y_shuffled = y_all[shuffle_indices]

bound = int(len(x_all) / 10 * 7)

x_train = x_shuffled[:bound]
y_train = y_shuffled[:bound]

x_val = x_shuffled[bound:]
y_val = y_shuffled[bound:]

這段代碼里做了三件事：

構造3000個符合y = 0.3 * x + b關系，且增加了隨機噪聲的數(shù)據(jù)

對數(shù)據(jù)進行shuffle

按照7比3的比例，將3000個數(shù)據(jù)集劃分為訓練集和驗證集兩部分

下面是對數(shù)據(jù)按batch取出：

def batch_iter(data, batch_size, num_epochs, shuffle=True):
    """
    Generates a batch iterator for a dataset.
    """
    data = np.array(data)
    data_size = len(data)
    num_batches_per_epoch = int((len(data)-1)/batch_size) + 1
    for epoch in range(num_epochs):
        # Shuffle the data at each epoch
        if shuffle:
            shuffle_indices = np.random.permutation(np.arange(data_size))
            shuffled_data = data[shuffle_indices]
        else:
            shuffled_data = data
        for batch_num in range(num_batches_per_epoch):
            start_index = batch_num * batch_size
            end_index = min((batch_num + 1) * batch_size, data_size)
            yield shuffled_data[start_index:end_index]

然后就到了比較本篇博客的核心部分：
首先我來描述一下關鍵的函數(shù)（大部分同學內(nèi)心一定是拒絕的 2333，所以建議先看下面的代碼，然后再反過頭來看函數(shù)的介紹）：

tf.summary.scalar(name, tensor, collections=None, family=None)，調(diào)用這個函數(shù)來觀察Tensorflow的Graph中某個節(jié)點

tensor：我們想要在TensorBoard中觀察的節(jié)點

name：為該節(jié)點設置名字，在TensorBoard中我們觀察的曲線將會以name命名

tf.summary.merge(inputs, collections=None, name=None)

inputs：由scalar函數(shù)返回值組成的list

tf.summary.FileWriter,在給定的目錄中創(chuàng)建一個事件文件(event file)，將summraies保存到該文件夾中。

__init__(logdir, graph=None, max_queue=10, flush_secs=120, graph_def=None, filename_suffix=None)

logdir：保存event file的路徑

graph：　Tensorflow構建的graph，可通過session.graph獲得

add_summary(summary, global_step=None)

summary：我們將tf.summary.merge的返回值記為summary_op，然后在調(diào)用sess.run(summary_op)后，將會返回一個summary

global_step：當前訓練步數(shù)

with tf.Graph().as_default():
    sess = tf.Session()
    with sess.as_default():
        m = model.Model()
        global_step = tf.Variable(0, name="global_step", trainable=False)
        optimizer = tf.train.AdamOptimizer(1e-2)
        grads_and_vars = optimizer.compute_gradients(m.loss)
        train_op = optimizer.apply_gradients(grads_and_vars=grads_and_vars, global_step=global_step)

        loss_summary = tf.summary.scalar("loss", m.loss)

        train_summary_op = tf.summary.merge([loss_summary])
        train_summary_writer = tf.summary.FileWriter("./summary/train", sess.graph)

        dev_summary_op = tf.summary.merge([loss_summary])
        dev_summary_writer = tf.summary.FileWriter("./summary/dev", sess.graph)


        def train_step(x_batch, y_batch):
            feed_dict = {m.input_x: x_batch,
                         m.input_y: y_batch}
            _, step, summaries, loss = sess.run(
                [train_op, global_step, train_summary_op, m.loss], feed_dict)
            train_summary_writer.add_summary(summaries, step)

        def dev_step(x_batch, y_batch):
            feed_dict = {m.input_x: x_batch,
                         m.input_y: y_batch}

            step, summaries, loss = sess.run(
                [global_step, dev_summary_op, m.loss], feed_dict)
            dev_summary_writer.add_summary(summaries, step)

        sess.run(tf.global_variables_initializer())
        batches = batch_iter(list(zip(x_train, y_train)), 100, 100)
        for batch in batches:
            x_batch, y_batch = zip(*batch)
            train_step(x_batch, y_batch)
            current_step = tf.train.global_step(sess, global_step)
            if current_step % 3 == 0:
                print("
Evaluation:")
                dev_step(x_val, y_val)

現(xiàn)在我們就可以使用TensorBoard查看訓練過程了~~
在terminal中輸入如下命令:

tensorboard --logdir=summary

響應TensorBoard 0.4.0rc3 at http://liudaoxing-Lenovo-Rescuer-15ISK:6006 (Press CTRL+C to quit)

在瀏覽器中打開　"http://liudaoxing-Lenovo-Resc...:6006"

沒錯！這就是我們train和validation過程中l(wèi)oss的情況。

點擊GRAPHS,就可以看到網(wǎng)絡的結構

麻雀雖小，五臟俱全。希望大家有收獲～