tensorboard可视化_tensorboard标量数据可视化结果

上一节中，我们讲述了tensorboard的一个整体架构——以MNIST数据集数字分类问题为例，这一节，我们将探寻一下tensorboard的细节，从标量数据可视化的结果说起。执行完命令后就可以在浏览器中打开 TensorBoard 界面了 。打开的 Tensor Board 界面会默认进入 SCALARS 选项卡，我们对可视化内容的介绍也先从标量开始。如图 13-6 所示，在 SCALARS 选项卡中显示了 accuracy、 cross_ entropy、 layer_1和 layer__y 4 个折叠起来的标签，这 4 个标签与我们在 程序中使用 summary.scalar（）函数汇总标量数据时最外层的 4 个命名空间相 对应，在标签名的最右侧显示了该标签下折叠了多少个独立的图表内容。左边栏的内容可以先不管，以 accuracy标签为例，它只包含了一个图表 内容。单击展开该标签，可以看到一个标题名为 accuracy/accuracy_scalar 的 折线图，这就是我们汇总正确率的结果。标题中的 accuracy 表示我们在命名 空间 accuracy 下计算正确率并运行 summary.scalar（）函数，标题中的 accuracy scalar 是汇总时函数的 name 参数值（当时我们赋值为 accuracy_scalar） 。

accuracy/ accuracy_scalar 折线图按照训练的步数展示了正确率的值，将光标停在折线上时会在紧挨着图表的下方显示一个黑色的提示框，里面有 折线图上某一点更精确的数值信息，甚至包括得到数值的时间，如下图。

紧挨着图表的左下方有两个蓝色按钮，左边的蓝色按钮单击之后可以放大这个图表，下图展示了accuracy/accuracy_scalar 折线图放大之后的结果。

右边的蓝色按钮（Toggle y-axis log scale）单击之后可以调整纵坐标轴的范围，以便更清楚地显示。这样使得折线能够占据图上较大的空间。下图展示了放大之后的交叉熵损失汇总折线图。从图中可以看 出随着迭代轮数的增加，交叉熵损失逐步减小，之后达到了一个比较平稳的值。除了交叉熵损失，之前的许多样例中我们也都定义了如正则化损失等其他损失，可以尝试在上面的代码中定义正则化损失并在 TensorBoard 上观察它。标签 layer_1 是隐藏层的命名空间，这个标签里折叠了通过 summary.scalar（）函数汇总的偏置参数和权重参数的最大值、最小值、平均值以及方差值。layer_1是最外层的命名空间，在创建网络层的 create_ layer（）函数中还有 biases 和 weights 命名空间，在这两个命名空间中分别创建了偏置参数和权重参数，同时调用了 variable_summaries（）函数具体的数据汇总。在variable_summaries（）函数内部，还有一个命名空间 summaries。以 max 为例，其标题会包括这些命名空间的嵌套（layer_1/biases/summaries/max）。由于空间有限，下图仅仅展示了隐藏层偏置参数的相关汇总结果。

最后，在 Data download links 选择项的上部有一个 Split on underscores 选项（默认没有选中），用于合并标签中以“_”符号分隔的含有相同宇段的标签。这样说可能难以理解，比如对于 layer_1 和 layer_y标签，如果勾选了 Split on underscores 复边框，则会合并为一个名为 layer 的标签，这个新的 layer 标签会折叠 16 个图表数据(layer_1和 layer_y 各包含 8 个)，如图 13-15 所示。展开layer，其图表的标题仍以 layer_1 或 layer_y 开头。

关注小鲸融创，一起深度学习金融科技！