tensorflow入门学习，tensorboard: command not found错误解决，让训练结果可视化，可视化结果怎么看（十）

tensorflow 支持结果可视化。可视化的流程是：在训练过程中，将要观察的数据写入文件，最后调用 tensorboard 载入文件，即可在浏览器中查看结果。本节将学习这一功能。

可视化结果告诉我们什么

得到可视化文件，用 tensorboard 载入后，会输出一个地址，在浏览器中访问该地址，即可得到下图：

可以看出，有 4 种类型的可视化结果，分别是 scalars graphs distributions histograms。上图展示的是 loss 的 scalars，可以很清晰的看出下降过程，这说明在这次应用中，tensorflow 神经网络是正常工作的。如果 loss 并不是越来越小，而是维持一个较大的值，或者甚至变大，那么，神经网络必须得调整。同时，图形化的显示，更能表现出趋势，这次训练，loss 下降的很快，因此可以得出结论，这次构建的神经网络工作的很好，很合适。

怎样让训练结果可视化

tensorflow 提供了 tf.summary.histogram 和 tf.summary.scalar 方法来描述histograms以及scalars，以第六节的线性回归为例，只需在需要观察的量之后添加相应的可视化方法即可，如下图：

# 构建网络
w = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = w*xdata + b
loss = tf.reduce_mean(tf.square(y-ydata))

# 可视化 
tf.summary.histogram('/weights', w)     # 参数1：名称，参数2：值
tf.summary.histogram('/biases', b)
tf.summary.scalar('loss', loss)

这里只用到histograms以及scalars，其他类型的可视化是类似的。

构建完成后，需要将各种显示合并，然后创建写入方法：

merged = tf.summary.merge_all()
writer = tf.summary.FileWriter("logs/", sess.graph) # 写到 logs 文件夹里

最终，在 session 里 run(merged)，然后把结果写入文件即可。

rs = sess.run(merged)
writer.add_summary(rs, 写入索引号)

完整代码如下：

#encoding=utf8
import tensorflow as tf
import numpy as np

# 模拟数据
xdata = np.random.rand(100).astype(np.float32)
ydata = xdata*0.5 + 0.8

# 构建网络
w = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = w*xdata + b
loss = tf.reduce_mean(tf.square(y-ydata))

# 可视化 *********
tf.summary.histogram('/weights', w)     # 参数1：名称，参数2：值
tf.summary.histogram('/biases', b)
tf.summary.scalar('loss', loss)

# 训练
train = tf.train.GradientDescentOptimizer(0.3).minimize(loss)

# 初始化
init = tf.global_variables_initializer()

# 执行
sess = tf.Session()

merged = tf.summary.merge_all() 
writer = tf.summary.FileWriter("logs/", sess.graph) # 写到 logs 文件夹里

sess.run(init)
for i in range(301):
    sess.run(train)
    if i%30 == 0:
        print i, sess.run(w), sess.run(b)
        rs = sess.run(merged)
        writer.add_summary(rs, i)

执行脚本，即可在 logs 文件夹里得到可视化文件。

$ ls
logs  regression_visiable.py
$ ls logs
events.out.tfevents.1530409906.lcc-vm       # 可视化文件

tensorboard 载入可视化文件，浏览器显示

得到可视化文件后，需要用tensorboard载入，于是执行以下命令：

$ tensorboard --logdir='logs'
tensorboard: command not found

结果提示command not found，这可能是没有安装交叉编译后的可执行程序，因此需要利用 python 调用。首先需要知道 tensorboard 安装在哪：

于是，可以执行以下命令，载入可视化文件：

$ python /home/lcc/.local/lib/python2.7/site-packages/tensorboard/main.py --logdir='logs'
TensorBoard 1.8.0 at http://lcc-vm:6006 (Press CTRL+C to quit)

发现成功了，访问 http://lcc-vm:6006，即可看到图形化的训练过程。loss 上面已经介绍，下面看看权重 w 和偏置 b，根据代码，它们被存储在 histograms 里。

因为权重和偏置不止一个值，所以它不是一条线，而是一个面，表示值都分布在此。横轴表示训练结果，纵轴表示训练次数。可以看出，biases中途有一次训练结果在 0.88 附近，最终落在 0.8 附近。weights一开始是个负值，接着就到达接近 0.4 的位置，最终落在 0.5 附近。这与咱们在终端打印出的输出结果是一致的：

$ python regression_visiable.py 
0 [-0.04554251] [0.7673728]     # weights 起始是负值
30 [0.36016202] [0.87351346]    # biases 0.88 附近
60 [0.45276427] [0.8248321]
90 [0.48404422] [0.80838805]
120 [0.49461034] [0.8028334]
150 [0.4981794] [0.8009571]
180 [0.49938497] [0.8003233]
210 [0.49979222] [0.80010927]
240 [0.49992982] [0.8000369]
270 [0.49997628] [0.80001247]
300 [0.49999195] [0.80000424]