9-4. Tensorboard 사용

김성훈 교수님의 강의내용을 정리한 내용입니다.

출처 : http://hunkim.github.io/ml/

모두를 위한 머신러닝/딥러닝 강의

---

TensorBoard는 Tensorflow 그래프를 시각화 할 수 있는 툴이다.

 

5가지 단계를 추가하면 TensorBoard를 사용할 수 있다.

 

스칼라 값과 히스토그램 값을 시각화 할 수 있다.

 

Scope를 이용하면 좀더 깔끔한 Graph 구성이 가능하다. (Like 서랍장)

 

merge_all()를 이용하여 모두 합친 후 세션을 이용하여 Summary를 저장한다.

 

터미널에 명령어를 입력하여 TensorBoard를 볼 수 있는 주소를 얻을 수 있다.

---

* 원격 서버로 TensorBoard를 사용할 수 있다.

---

같은 폴더 안에 여러 log들을 저장하면 동시에 비교가 가능하다.

---

+ 추가

 

상위 버전에서는 터미널에 입력하는 명령어가 약간 달라졌다.

 

tensorboard --logdir PATH

 

* PATH : log 디렉토리 경로

---

터미널에 위의 명령어를 입력하지 않고 주피터 노트북 환경에서 바로 실행시키는 방법이 있다.

아래 명령어를 이용하여 jupyter-tensorboard를 설치하자.

 

pip install jupyter-tensorboard

출처: https://lucycle.tistory.com/274 [LuCycle의 잡동사니]

 

그 다음 log 디렉토리를 체크하면 Tensorboard 표시가 뜨게 된다!

이를 누르면 Tensorboard가 열리게 된다.

 

---

코드

 

# Lab 9 XOR
import tensorflow as tf
import numpy as np
 
tf.set_random_seed(777)  # for reproducibility
 
x_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=np.float32)
y_data = np.array([[0], [1], [1], [0]], dtype=np.float32)
 
X = tf.placeholder(tf.float32, [None, 2], name="x")
Y = tf.placeholder(tf.float32, [None, 1], name="y")
 
with tf.name_scope("Layer1"):
    W1 = tf.Variable(tf.random_normal([2, 2]), name="weight_1")
    b1 = tf.Variable(tf.random_normal([2]), name="bias_1")
    layer1 = tf.sigmoid(tf.matmul(X, W1) + b1)
 
    tf.summary.histogram("W1", W1)
    tf.summary.histogram("b1", b1)
    tf.summary.histogram("Layer1", layer1)
 
 
with tf.name_scope("Layer2"):
    W2 = tf.Variable(tf.random_normal([2, 1]), name="weight_2")
    b2 = tf.Variable(tf.random_normal([1]), name="bias_2")
    hypothesis = tf.sigmoid(tf.matmul(layer1, W2) + b2)
 
    tf.summary.histogram("W2", W2)
    tf.summary.histogram("b2", b2)
    tf.summary.histogram("Hypothesis", hypothesis)
 
# cost/loss function
with tf.name_scope("Cost"):
    cost = -tf.reduce_mean(Y * tf.log(hypothesis) + (1 - Y) * tf.log(1 - hypothesis))
    tf.summary.scalar("Cost", cost)
 
with tf.name_scope("Train"):
    train = tf.train.AdamOptimizer(learning_rate=0.01).minimize(cost)
 
# Accuracy computation
# True if hypothesis>0.5 else False
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))
tf.summary.scalar("accuracy", accuracy)
 
# Launch graph
with tf.Session() as sess:
    # tensorboard --logdir=./logs/xor_logs
    merged_summary = tf.summary.merge_all()
    writer = tf.summary.FileWriter("./logs/xor_logs_r0_01")
    writer.add_graph(sess.graph)  # Show the graph
 
    # Initialize TensorFlow variables
    sess.run(tf.global_variables_initializer())
 
    for step in range(10001):
        _, summary, cost_val = sess.run(
            [train, merged_summary, cost], feed_dict={X: x_data, Y: y_data}
        )
        writer.add_summary(summary, global_step=step)
 
        if step % 100 == 0:
            print(step, cost_val)
 
    # Accuracy report
    h, p, a = sess.run(
        [hypothesis, predicted, accuracy], feed_dict={X: x_data, Y: y_data}
    )
    
    print(f"\nHypothesis:\n{h} \nPredicted:\n{p} \nAccuracy:\n{a}")