Question

如何在不运行训练或评估的情况下使用TensorFlow的Estimator API在TensorBoard上可视化图形？

我知道当您可以访问Graph对象但无法为Estimator API找到任何东西时，使用会话API如何实现。

Answer 1

估算器为您创建和管理tf.Graph和tf.Session对象。因此，这些对象不容易访问。请注意，默认情况下，调用estimator.train时，图形将导出到事件文件中。

但是，您可以做的是在model_function之外调用tf.estimator，然后使用经典的tf.summary.FileWriter()导出图形。

这是一个带有非常简单的估算器的代码片段，该估算器仅将密集层应用于输入：

import tensorflow as tf
import numpy as np

# Basic input_fn
def input_fn(x, y, batch_size=4):
    dataset = tf.data.Dataset.from_tensor_slices((x, y))
    dataset = dataset.batch(batch_size).repeat(1)
    return dataset

# Basic model_fn that just apply a dense layer to an input
def model_fn(features, labels, mode):
    global_step = tf.train.get_or_create_global_step()

    y = tf.layers.dense(features, 1)

    increment_global_step = tf.assign_add(global_step, 1)

    return tf.estimator.EstimatorSpec(
            mode=mode,
            predictions={'preds':y},
            loss=tf.constant(0.0, tf.float32),
            train_op=increment_global_step)

# Fake data
x = np.random.normal(size=[10, 100])
y = np.random.normal(size=[10])

# Just to show that the estimator works
estimator = tf.estimator.Estimator(model_fn=model_fn)
estimator.train(input_fn=lambda: input_fn(x, y), steps=1)


# Classic way of exporting the graph using placeholders and an outside call to the model_fn
with tf.Graph().as_default() as g:
    # Placeholders
    features = tf.placeholder(tf.float32, x.shape)
    labels = tf.placeholder(tf.float32, y.shape)

    # Creates the graph
    _ = model_fn(features, labels, None)

    # Export the graph to ./graph
    with tf.Session() as sess:
        train_writer = tf.summary.FileWriter('./graph', sess.graph)

Answer 2

要使用TensorBoard可视化图形，必须将其保存在事件文件中。如果在培训期间您使用会话图实例化编写者：

train_writer = tf.summary.FileWriter(FLAGS.summaries_dir + '/train', sess.graph)

您应该拥有它。

鉴于此，只需调用tensorboard并为其提供事件文件的存储路径：

tensorboard --logdir=path/to/log-directory

并打开“图形”选项卡。

如何在不使用Estimator API进行训练/评估的情况下可视化TensorFlow图？

2 个答案: