Question

查看和理解TensorBoard中的标量值非常简单。但是，目前还不清楚如何理解直方图。

例如，它们是我的网络权重的直方图。

（由于sunside修复了一个bug）解释这些的最佳方法是什么？第1层权重看起来大致平坦，这意味着什么？

我在这里添加了网络构建代码。

X = tf.placeholder(tf.float32, [None, input_size], name="input_x")
x_image = tf.reshape(X, [-1, 6, 10, 1])
tf.summary.image('input', x_image, 4)

# First layer of weights
with tf.name_scope("layer1"):
    W1 = tf.get_variable("W1", shape=[input_size, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer1 = tf.matmul(X, W1)
    layer1_act = tf.nn.tanh(layer1)
    tf.summary.histogram("weights", W1)
    tf.summary.histogram("layer", layer1)
    tf.summary.histogram("activations", layer1_act)

# Second layer of weights
with tf.name_scope("layer2"):
    W2 = tf.get_variable("W2", shape=[hidden_layer_neurons, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer2 = tf.matmul(layer1_act, W2)
    layer2_act = tf.nn.tanh(layer2)
    tf.summary.histogram("weights", W2)
    tf.summary.histogram("layer", layer2)
    tf.summary.histogram("activations", layer2_act)

# Third layer of weights
with tf.name_scope("layer3"):
    W3 = tf.get_variable("W3", shape=[hidden_layer_neurons, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer3 = tf.matmul(layer2_act, W3)
    layer3_act = tf.nn.tanh(layer3)

    tf.summary.histogram("weights", W3)
    tf.summary.histogram("layer", layer3)
    tf.summary.histogram("activations", layer3_act)

# Fourth layer of weights
with tf.name_scope("layer4"):
    W4 = tf.get_variable("W4", shape=[hidden_layer_neurons, output_size],
                         initializer=tf.contrib.layers.xavier_initializer())
    Qpred = tf.nn.softmax(tf.matmul(layer3_act, W4)) # Bug fixed: Qpred = tf.nn.softmax(tf.matmul(layer3, W4))
    tf.summary.histogram("weights", W4)
    tf.summary.histogram("Qpred", Qpred)

# We need to define the parts of the network needed for learning a policy
Y = tf.placeholder(tf.float32, [None, output_size], name="input_y")
advantages = tf.placeholder(tf.float32, name="reward_signal")

# Loss function
# Sum (Ai*logp(yi|xi))
log_lik = -Y * tf.log(Qpred)
loss = tf.reduce_mean(tf.reduce_sum(log_lik * advantages, axis=1))
tf.summary.scalar("Q", tf.reduce_mean(Qpred))
tf.summary.scalar("Y", tf.reduce_mean(Y))
tf.summary.scalar("log_likelihood", tf.reduce_mean(log_lik))
tf.summary.scalar("loss", loss)

# Learning
train = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

Answer 1

网络似乎没有在第一层到第三层学到任何东西。最后一层确实发生了变化，这意味着渐变可能有问题（如果你手动篡改它们），你只需要通过优化其权重或者仅限于最后一层来限制学习。最后一层真的吃掉了＃39;所有错误。也可能只是学习了偏见。虽然网络似乎学到了一些东西，但它可能没有充分利用它的潜力。这里需要更多的背景，但是学习率（例如使用较小的学习率）可能值得一试。

通常，直方图显示值相对于彼此值的出现次数。简单来说，如果可能的值在0..9范围内，并且您在值10上看到量0的峰值，则表示10个输入假设值为0 };相反，如果直方图显示1的所有值的0..9平台，则表示对于10个输入，每个可能的值0..9 正好一次。当您将所有直方图值按其总和标准化时，您还可以使用直方图来显示概率分布;如果你这样做，你将直观地获得某个值（在x轴上）出现的可能性（与其他输入相比）。

现在layer1/weights，高原意味着：

大多数重量在-0.15至0.15
（大部分）同样可能使体重具有任何这些值，即它们（几乎）均匀分布

换句话说，几乎相同数量的权重具有值-0.15，0.0，0.15以及其间的所有内容。有一些权重略微更小或更高。简而言之，这看起来就像权重已经使用均值分布进行初始化，零均值和值范围-0.15..0.15 ...给予或接受。如果你确实使用统一初始化，那么当网络尚未经过培训时，这是典型的。

相比之下，layer1/activations形成钟形曲线（高斯）形状：值以特定值为中心，在本例中为0，但它们也可能大于或小于（同样可能是这样，因为它是对称的）。大多数值显示在0的平均值附近，但值的范围从-0.8到0.8。我假设layer1/activations被视为批量中所有图层输出的分布。您可以看到值随时间变化。

第4层直方图并没有告诉我任何具体内容。从形状来看，它只显示-0.1，0.05和0.25周围的某些重量值往往会以更高的概率发生; 可能的原因是，每个神经元的不同部分实际上拾取相同的信息并且基本上是多余的。这可能意味着您实际上可以使用较小的网络，或者您的网络有可能学习更多区别特征以防止过度拟合。这些只是假设。

另外，正如下面的评论中所述，请添加偏差单位。通过将它们排除在外，您可以将网络强制约束为可能无效的解决方案。

Answer 2

在这里，我将通过举一个最小的例子来间接解释情节。以下代码在张量板中生成一个简单的直方图。

from datetime import datetime
import tensorflow as tf
filename = datetime.now().strftime("%Y%m%d-%H%M%S")
fw = tf.summary.create_file_writer(f'logs/fit/{filename}')
with fw.as_default():
    for i in range(10):
        t = tf.random.uniform((2, 2), 1000)
        tf.summary.histogram(
            "train/hist",
            t,
            step=i
        )
        print(t)

我们看到生成最大范围为 1000 的 2x2 矩阵将生成 0-1000 的值。对于这个张量的外观，我将其中一些的日志放在这里。

 tf.Tensor(
[[398.65747  939.9828  ]
 [942.4269    59.790222]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[869.5309  980.9699 ]
 [149.97845 454.524  ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[967.5063   100.77594 ]
 [ 47.620544 482.77008 ]], shape=(2, 2), dtype=float32)

我们登录了 tensorboard 10 次。在图的右侧，生成时间线以指示时间步长。直方图的深度表明哪些值是新的。较亮/前面的值较新，较暗/较远的值较旧。

值被收集到由这些三角形结构指示的桶中。 x 轴表示该束所在的值范围。

了解TensorBoard（重量）直方图

2 个答案: