标签: tensorboard

在完成mnist/cifar教程之后,我想我会通过制作我自己的"大"数据来试验张量流,为了简单起见,我选择了一个黑白色的椭圆形状,它可以独立地改变它的高度和宽度. 0.0-1.0比例作为28x28像素图像(其中我有5000个训练图像,1000个测试图像).

我的代码使用'MNIST expert'教程作为基础(缩减速度),但我切换了基于平方误差的成本函数,并根据此处的建议,交换了sigmoid函数用于最终激活层,给定这不是分类,而是两个张量y_和y_conv之间的"最佳拟合".

然而,在超过100k次迭代的过程中,损耗输出迅速进入400到900之间的振荡(或者,因此,在50个批次中,2个标签上的任何给定标签的平均值为0.2-0.3),所以我想我只是得到噪音.也许我错了,但我希望使用Tensorflow来卷积图像,以推断出可能有10个或更多独立标记的变量.我错过了一些基本的东西吗？

def train(images, labels):

# Import data
oval = blender_input_data.read_data_sets(images, labels)

sess = tf.InteractiveSession()

# Establish placeholders
x = tf.placeholder("float", shape=[None, 28, 28, 1])
tf.image_summary('images', x)
y_ = tf.placeholder("float", shape=[None, 2])

# Functions for Weight Initialization.

def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)

def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)

# Functions for convolution and pooling

def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
  return …

以下是训练DNNRegressor时用于监视事件的代码段。我正在从Jupyter笔记本上运行。

在培训过程中，终端出现以下错误：

tensorflow / core / util / events_writer.cc：162]事件文件/Users/eran/Genie/PNP/TB/events.out.tfevents.1473067505.Eran已消失。E tensorflow / core / util / events_writer.cc：131]无法将2498个事件刷新到/Users/eran/Genie/PNP/TB/events.out.tfevents.1473067505.Eran

def add_monitors():
     validation_metrics = {'MeanSquaredError': tf.contrib.metrics.streaming_mean_squared_error}
     monitors = learn.monitors.ValidationMonitor(valid_X, valid_y, every_n_steps=50, metrics=validation_metrics)
     return [monitors]
      regressor = learn.DNNRegressor(model_dir='/Users/eran/Genie/PNP/TB', 
                                hidden_units=[32,16], feature_columns=learn.infer_real_valued_columns_from_input(X),        
 optimizer=tf.train.ProximalAdagradOptimizer(learning_rate=0.1),       
 config=learn.RunConfig(save_checkpoints_secs=1))
     monitors = add_monitors()
     regressor.fit(X, y, steps=10000, batch_size=20, monitors=monitors)

有任何想法吗？打开TensorBoard时我看不到任何事件记录

现在，我正在研究tensorflow。但是，我无法使用张量板绘制点图。

如果我有用于训练的样本数据，像那样

train_X = numpy.asarray([3.3, 4.4, 5.5, 6.71, 6.93, 4.168, 9.779])
train_Y = numpy.asarray([1.7, 2.76, 2.09, 3.19, 1.694, 1.573, 3.366])

我想使用张量板显示散点图。我知道“将matplotlib.pyplot导入为plt”可以做到这一点。但我只能使用控制台（putty）。因此不能使用此方法。

我可以看到点图吗，例如使用张量板的散点图。

谁能帮我？

我正在使用TensorBoard来可视化网络指标和图表.

我创建一个会话sess = tf.InteractiveSession()并在Jupyter笔记本中构建图形.

在图中,我包含两个摘要标量:

with tf.variable_scope('summary') as scope:    
   loss_summary = tf.summary.scalar('Loss', cross_entropy)
   train_accuracy_summary = tf.summary.scalar('Train_accuracy', accuracy)

然后我创建summary_writer = tf.summary.FileWriter(logdir, sess.graph)并运行:

_,loss_sum,train_accuracy_sum=sess.run([...],feed_dict=feed_dict)

我写了指标:

summary_writer.add_summary(loss_sum, i)
summary_writer.add_summary(train_accuracy_sum, i) 

我运行代码三次.

每次运行时,我都会重新导入TF并创建一个新的交互式会话.

但是,在Tensorboard中,为每次运行创建一个单独的标量窗口:

此外,如果我检查上次运行的数据,图表似乎是重复的:

每次运行时如何防止重复图形和标量窗口？

• 我希望所有数据都出现在相同的标量图中(具有多个系列/图).
• 我希望每次运行都引用单个图形可视化.

问题

当我运行培训时，我的预处理示例已成功创建，但是我的培训没有开始。事实很奇怪，在分析我的TensorBoard图时，我看到一些额外的条件节点，它们在代码中不存在。我想知道这些额外的节点在何处以及为什么会出现，以及为什么培训没有开始。以下是对情况的系统描述：

TensorFlow图 下面的TensorBoard图显示了我的图： 构造此图的代码如下

def getconv2drelu(inputtensor, kernelsize, strides, padding, convname,
                  imagesummaries=False):
    weights = tf.get_variable("weights", shape=kernelsize, dtype=tf.float32,
                              initializer=tf.truncated_normal_initializer(0,
                                                                          0.01),
                              regularizer=tf.nn.l2_loss)
    biases = tf.get_variable("biases", shape=kernelsize[3], dtype=tf.float32,
                             initializer=tf.constant_initializer(0.0))

    conv = tf.nn.conv2d(input=inputtensor, filter=weights, strides=strides,
                        padding=padding, name=convname)
    response = tf.nn.bias_add(conv, biases)
    if imagesummaries:
        filters = (weights - tf.reduce_min(weights)) / (tf.reduce_max(
            weights) - tf.reduce_min(weights))
        filters = tf.transpose(filters, [3, 0, 1, 2])
        tf.summary.image(convname + " filters", filters,
                         max_outputs=kernelsize[3])
    response = tf.nn.relu(response)
    activation_summary(response)
    return response


def getfullyconnected(inputtensor, numinput, numoutput):
    weights = tf.get_variable("weights", shape=[numinput, numoutput],
                              dtype=tf.float32,
                              initializer=
                              tf.truncated_normal_initializer(0, …

我在Ubuntu 17.04上使用Keras 2.0（TensorFlow后端）进行二进制图像分类。一切都很好，除了我想看看哪些图像分类错误。我怎么做？

另外，不确定它是否可以解决我的问题，但是在TensorBoard中我无法使用该image选项卡，所以不知道这是否有帮助。

当然，我已经做了很多谷歌搜索，但我只是找不到答案。

tf.metrics.precision_at_thresholds()接受三个参数：labels, predictions, thresholds其中thresholds是[0,1]之间的python列表或阈值元组。然后该函数返回“形状为[len（thresholds）]的浮点张量”，这对于自动将eval_metric_ops绘制到张量板上是有问题的（因为我认为它们应该是标量的）。这些值会很好地打印到控制台，但我也想在张量板上绘制这些值。是否可以进行任何调整以能够在张量板上绘制该值？

我正在使用TensorFlow的Dataset API加载和预处理图像。我想将预处理图像的摘要添加到Tensorboard。

推荐的方法是什么？

到目前为止，我的代码如下所示：

def get_data():
  dataset = FixedLengthRecordDataset(...)
  dataset = dataset.map(dataset_parser, ...)
  if is_training:
    dataset = dataset.map(preprocess_for_train, ...)
  # Do shuffling, batching...
  return dataset

def preprocess_for_train(image, label):
  # Do preprocessing...
  image = tf.image.random_flip_left_right(image)
  # Add summary
  tf.summary.image('preprocessed_image', tf.expand_dims(image, 0))
  return image, label

在preprocess_for_train我的形象中列出的SUMMARIES集合，而是返回到外部功能时，它是没有图的较长部分。我认为发生这种情况是因为map使用了不同的线程，因此引用了的不同实例tf.Graph。

由于这不起作用，我还需要其他哪些选项才能在Tensorboard中显示图像？

我知道Tensorboard及其强大功能，但我认为带有当前图形摘要的简单控制台输出更好（更快）用于原型设计。也知道我以后能与去年的网络节点，如图只需运行会话生成tensorboard图这里。

我要寻找的是与model.summary()Keras 类似的东西。

换句话说：如何遍历tensorflow图并以相同的顺序仅打印出具有其形状和dtypes的自定义高端层？所有这些层是如何生成的？

我使用tensorflow实现了一个简单的RNN,如下所示:

cell = tf.contrib.rnn.BasicRNNCell(state_size)
cell = tf.contrib.rnn.DropoutWrapper(cell, output_keep_prob=keep_prob)

rnn_outputs, final_state = tf.nn.dynamic_rnn(cell, batch_size, dypte=tf.float32)

这很好用.但是我想将权重变量记录到摘要编写器中.有没有办法做到这一点？

顺便问一下,我们使用tf.nn.rnn_cell.BasicRNNCell或tf.contrib.rnn.BasicRNNCell？还是他们一模一样？