TensorBoard:如何绘制渐变的直方图？

Question

TensorBoard具有在会话时间绘制张量直方图的功能.我想要一个训练期间梯度的直方图.

tf.gradients(yvars,xvars) 返回一个渐变列表.

但是,tf.histogram_summary('name',Tensor)只接受Tensors,而不是Tensors列表.

目前,我做了一个解决方案.我将所有Tensors展平为一个列向量并将它们连接起来:

for l in xrange(listlength): col_vec = tf.reshape(grads[l],[-1,1]) g = tf.concat(0,[g,col_vec]) grad_hist = tf.histogram_summary("name", g)

绘制渐变直方图的更好方法是什么？

这似乎很常见,所以我希望TensorFlow能有一个专门的功能.

Answer 1

根据@ user728291的建议,我可以通过使用optimize_loss如下函数来查看tensorboard中的渐变.optimize_loss的函数调用语法是

optimize_loss(
loss,
global_step,
learning_rate,
optimizer,
gradient_noise_scale=None,
gradient_multipliers=None,
clip_gradients=None,
learning_rate_decay_fn=None,
update_ops=None,
variables=None,
name=None,
summaries=None,
colocate_gradients_with_ops=False,
increment_global_step=True
)

该函数需要global_step并依赖于其他一些导入,如下所示.

from tensorflow.python.ops import variable_scope
from tensorflow.python.framework import dtypes
from tensorflow.python.ops import init_ops
global_step = variable_scope.get_variable(  # this needs to be defined for tf.contrib.layers.optimize_loss()
      "global_step", [],
      trainable=False,
      dtype=dtypes.int64,
      initializer=init_ops.constant_initializer(0, dtype=dtypes.int64))

然后替换您的典型训练操作

training_operation = optimizer.minimize(loss_operation)

同

training_operation = tf.contrib.layers.optimize_loss(
      loss_operation, global_step, learning_rate=rate, optimizer='Adam',
      summaries=["gradients"])

然后为您的摘要提供合并声明

summary = tf.summary.merge_all()

然后在每个运行/纪元结束时的tensorflow会话中:

summary_writer = tf.summary.FileWriter(logdir_run_x, sess.graph) 
summary_str = sess.run(summary, feed_dict=feed_dict)
summary_writer.add_summary(summary_str, i)
summary_writer.flush()  # evidently this is needed sometimes or scalars will not show up on tensorboard.

logdir_run_x每次运行的不同目录在哪里.这样,当TensorBoard运行时,您可以分别查看每个运行.渐变将位于直方图选项卡下,并具有标签OptimizeLoss.它将显示所有权重,所有偏差和beta参数作为直方图.

更新:使用tf slim,还有另一种方法也可以工作,也许更干净.

optimizer = tf.train.AdamOptimizer(learning_rate = rate)
training_operation = slim.learning.create_train_op(loss_operation, optimizer,summarize_gradients=True)

通过设置summarize_gradients=True(这不是默认值),您将获得所有权重的梯度摘要.这些将在Tensorboard下可见summarize_grads

Answer 2

另一个解决方案（基于此法定答案）是直接从您已经在使用的优化器中访问渐变。

optimizer = tf.train.AdamOptimizer(..)
grads = optimizer.compute_gradients(loss)
grad_summ_op = tf.summary.merge([tf.summary.histogram("%s-grad" % g[1].name, g[0]) for g in grads])
grad_vals = sess.run(fetches=grad_summ_op, feed_dict = feed_dict)
writer['train'].add_summary(grad_vals)