Tensorboard

Tensorboard

시각화툴

프로그램을 최적화하고 디버깅하는 기능을 제공함.

텐서보드에서 도식화한 그래프의 각 부분에 대한 상세 정보와 매개변수들에 대한 통계 데이터들을 볼 수 있다.

텐서보드에 나타나는 데이터는 summary operation으로 취득할 수 있는 데이터로서 텐서플로가 실행되는 동안 생성되며, 추적파일에 저장됨.

텐서플로 API 중 요약명령 항목(https://goo.gl/cH6gW2)참고

텐서보드 실행

커맨드라인에서 추적 정보가 담긴 파일의 디렉터리를 인수로 지정하여 실행

(cuda) tensorboard --logdir=추적파일 디렉토리

이후 브라우저에서

http://localhost:6006 으로 접속

자세한 설명은 https://goo.gl/6Cyr20 참고

쓰는 법

1. logging할 tensor정하기

2. Merge all summaries

3. Create writer and add graph

4. Run summary merge and add_summary

5. Launch Tensorboard

# Lab 9 XOR

import tensorflow as tf

import numpy as np

tf.set_random_seed(777)  # for reproducibility

learning_rate = 0.01

x_data = [[0, 0],

          [0, 1],

          [1, 0],

          [1, 1]]

y_data = [[0],

          [1],

          [1],

          [0]]

x_data = np.array(x_data, dtype=np.float32)

y_data = np.array(y_data, dtype=np.float32)

X = tf.placeholder(tf.float32, [None, 2], name='x-input')

Y = tf.placeholder(tf.float32, [None, 1], name='y-input')

with tf.name_scope("layer1"):

    W1 = tf.Variable(tf.random_normal([2, 2]), name='weight1')

    b1 = tf.Variable(tf.random_normal([2]), name='bias1')

    layer1 = tf.sigmoid(tf.matmul(X, W1) + b1)

    w1_hist = tf.summary.histogram("weights1", W1)

    b1_hist = tf.summary.histogram("biases1", b1)

    layer1_hist = tf.summary.histogram("layer1", layer1)

// 1. logging할 tensor정하기

with tf.name_scope("layer2"):

    W2 = tf.Variable(tf.random_normal([2, 1]), name='weight2')

    b2 = tf.Variable(tf.random_normal([1]), name='bias2')

    hypothesis = tf.sigmoid(tf.matmul(layer1, W2) + b2)

    w2_hist = tf.summary.histogram("weights2", W2)

    b2_hist = tf.summary.histogram("biases2", b2)

    hypothesis_hist = tf.summary.histogram("hypothesis", hypothesis)

# cost/loss function

with tf.name_scope("cost"):

    cost = -tf.reduce_mean(Y * tf.log(hypothesis) + (1 - Y) *

                           tf.log(1 - hypothesis))

    cost_summ = tf.summary.scalar("cost", cost)

with tf.name_scope("train"):

    train = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Accuracy computation

# True if hypothesis>0.5 else False

predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)

accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))

accuracy_summ = tf.summary.scalar("accuracy", accuracy)

# Launch graph

with tf.Session() as sess:

    # tensorboard --logdir=./logs/xor_logs

    merged_summary = tf.summary.merge_all()

    writer = tf.summary.FileWriter("./logs/xor_logs_r0_01")

    writer.add_graph(sess.graph)  # Show the graph

    # Initialize TensorFlow variables

    sess.run(tf.global_variables_initializer())

    for step in range(10001):

        summary, _ = sess.run([merged_summary, train], feed_dict={X: x_data, Y: y_data})

        writer.add_summary(summary, global_step=step)

        // file에 기록하는 부분

        if step % 100 == 0:

            print(step, sess.run(cost, feed_dict={

                  X: x_data, Y: y_data}), sess.run([W1, W2]))

    # Accuracy report

    h, c, a = sess.run([hypothesis, predicted, accuracy],

                       feed_dict={X: x_data, Y: y_data})

    print("\nHypothesis: ", h, "\nCorrect: ", c, "\nAccuracy: ", a)

'''

Hypothesis:  [[  6.13103184e-05]

 [  9.99936938e-01]

 [  9.99950767e-01]

 [  5.97514772e-05]]

Correct:  [[ 0.]

 [ 1.]

 [ 1.]

 [ 0.]]

Accuracy:  1.0

'''

마우스를 그래프에 가져다 댔을때 그 부분의 정보를 알수있음

(클릭X, 호버링)