[DL] 모두를 위한 딥러닝 9-4 Tensorboard 사용

---

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

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70

# 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}")