TensorFlow学习(二）——Graph可视化

TensorFlow使用数据流图实现计算任务，有的图比较简单，仅包含少量的节点和张量，但现实中的模型往往比较复杂，包含众多的节点和参数。这次，就需要创建多个数据流图，并使用名称作用域（name scope）来组织数据流图，同时，也方便使用TensorBoard对graph进行可视化。

（1）创建Graph对象

在一般的TensorFlow程序中，会使用默认的数据流图。当模型比较复杂时，就需要创建多个流图协同工作。

import tensorflow as tf

#获取默认数据流图
default_graph = tf.get_default_graph()

#创建一个新的数据流图
g = tf.Graph()

with g.as_default():
	# 将操作添加到默认的graph中
	a = tf.add(2,3)

（2）名称作用域

名称作用域本质上就是将op划分到多个不同、有名称的语句块中，方便可视化。

# 定义名称作用域A
with tf.name_scope('A'):
    A_mul = tf.multiply(in_1, in_2)
    A_out = tf.subtract(A_mul, in_1)

# 定义名称作用域B  
with tf.name_scope('B'):
    B_mul = tf.multiply(in_2, const)
    B_out = tf.subtract(B_mul, in_2)

（3）保存Graph

使用tf.summary.FileWriter保存图到磁盘。

write = tf.summary.FileWriter('./name_scope', graph=graph)
write.close()

（4）TensorBoard可视化

命令行到当前目录，使用命令启动TensorBoard，默认会在本地计算机启动一个端口号为6006的TensorBoard服务器。打开浏览器，在地址栏输入 localhost:6006，查看图。

$ tensorboard --logdir=./name_scope/

（5） 示例

代码

import tensorflow as tf

graph = tf.Graph()

with graph.as_default():
    in_1 = tf.placeholder(tf.float32,shape=[], name='input_a')
    in_2 = tf.placeholder(tf.float32,shape=[], name='input_b')
    const = tf.constant(3,dtype=tf.float32,name='static_value')
    
    with tf.name_scope('Transformation'):
        
        with tf.name_scope('A'):
            A_mul = tf.multiply(in_1, in_2)
            A_out = tf.subtract(A_mul, in_1)
        
        with tf.name_scope('B'):
            B_mul = tf.multiply(in_2, const)
            B_out = tf.subtract(B_mul, in_2)
            
        with tf.name_scope('C'):
            C_div = tf.div(A_out, B_out)
            C_out = tf.add(C_div, const)
            
        with tf.name_scope('D'):
            D_div = tf.div(B_out, A_out)
            D_out = tf.add(D_div, const)
            
    out = tf.maximum(C_out, D_out)

write = tf.summary.FileWriter('./name_scope2', graph=graph)
write.close()

可视化结果