2016-10-16 陈伟才 人为智能学堂;)

前不久工作被遇一个题目，如何以kettle统计好的数额每天早晨出殡给用户？以前还是每天早恢复手动写邮件然后再续加附件，觉得这么极其死了，就想在用kettle的机关发送邮件。通过查询资料终于实现了是效应，于是就想将出了跟大家享用，拯救那些要每天发送定位数据的基友。

一、TensorBoard简介

手续一样：邮箱授权

TensorFlow拥有强大的希冀计算，但是强大的觊觎计算而为是极端错综复杂的，对于新家的话，很麻烦知晓整个图计算上过程，这毋庸置疑增加了人工智能初家的修窍门。为底，TensorFlow提供的可视化WEB工具套件

倘若采用kettle发送邮件，必须安排你的发件邮箱，因此只要收获授权，我为此的凡163信箱，就将163邮箱来比喻

  • –
    TensorBoard，以图形化的章程展示及了解机器上之历程，进而拓展优化和调节。

1.登录您的信箱选择安装下的POP3/SMTP/IMAP

二、TensorBoard安装

选择 POP3/SMTP/IMAP

相似安装TensorFlow的长河遭到，同时为会见拿TensorBoard安装好。如仍上篇文章的仍过程，TensorBoard则装至~/tensorflow/bin目录下。我们可以直接开行TensorBoard服务，如下：

2.装授权密码：在邮箱的左边找到“客户端授权密码”，点击“开启”设置授权密码（要铭记密码，后面要因此），授权密码无能够同登录密码一样，这个得短信验证，如果看麻烦可以用QQ邮箱，QQ邮箱好像不用短信验证

# nohup tensorflow/bin/tensorboard –logdir=/root/tensor-board/logs
>/dev/null 2>&1 &

手续二：创建转换任务

启航命令指定了tensorboard
logdir目录，即只要需要经TensorBoard可视化系统监控TensorFlow机器学习，则需以TensorFlow机器学习着指定将相关的log导入到上述logdir中，这样，TensorBoard会从logdir分析相关实施进程，并拿结果显示下。

冲各自的需创建转化任务，我这里就是随便创建一个，从mysql表中抽取数据，过滤后用结果输出及文件被

什么样以TensorFlow中增代码实现可视化监控，并透过TensorBoard展示，在本篇下文会详细描述。

手续三：创建作业调度转换并发送邮件

TensorBoard web工具集将会督查6006端口，即在浏览器被输入
http://127.0.0.1:6006/ 则可以视TensorBoard神秘面纱，如下图所示：

1.可以于start中装置每天只要发送的日（这个深简单就未截图了）

TensorFlow官方给提供了一个交互式的demo让初学者了解TensorBoard，

2.调所以才缔造的变换节点，找到你待调度的换，我刚刚创建的易时kettle

https://www.tensorflow.org/tensorboard/index.html

3.布局并发送邮件

三、TensorBoard APIs

安排地址

  1. tf.scalar_summary(tags, values, collections=None, name=None)

安排服务器

2.tf.image_summary(tag, tensor, max_images=3, collections=None,
name=None)

部署附件

  1. tf.audio_summary(tag, tensor, sample_rate, max_outputs=3,
    collections=None, name=None)

  2. tf.histogram_summary(tag, values, collections=None, name=None)

这么安排好后运行就得接收邮件了，不用每天手动发统计数据了。

上述这组API分别针对标量，图片，音频以及柱状图进行汇总统计，以Protocol
Buffer结构进行表示。

一旦生帮带到你请动动你的粗手硌单赞，谢谢，有啊问题可以留言交流

  1. tf.merge_all_summaries(key=’summaries’)

该API则是对有类型的统计最终汇总在默认的Graph中。

  1. class tf.train.SummaryWriter

此类负责用上述APIs收集至之音讯（Protocal
Buffer形式）持久化到磁盘event文件被错过。

下面我们盖MNIST为例，展示什么行使TensorBoard进行可视化信息搜集与显。

四、MNIST TensorBoard版本

脚我们上述同等篇文章被的MNIST例子也示范，增加TensorBoard
Summary，实现TensorBoard可视化。对W，B，cross_entropy，accuracy等变量进行summary，并以收集到之信持久化到/root/tensor-board/logs/mnist_logs目录下之文书。

拖欠次可以从https://github.com/chenweicai/tensorflow-study/blob/master/tf\_softmax\_mnist\_tensorboard.py出下载。

# Softmax Regression using tensorflow.

import tensorflow as tf

# Download the mnist data.

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets(“/tmp/MNIST_data”, one_hot=True)

# Input placeholder, 2-D tensor of floating-point nunbers.

# here None means that a dimension can be of any length.

X = tf.placeholder(tf.float32, [None, 784], name = ‘X-input’)

# New placeholder to input the correct answers.

Y = tf.placeholder(tf.float32, [None, 10], name = ‘Y-input’)

# Initialize both W and b as tensors full of zeros.

# Since we are going to learn W and b, it doesn’t

# matter very much what they initial are.

W = tf.Variable(tf.zeros([784, 10]), name = ‘Weight’)

B = tf.Variable(tf.zeros([10]), name = ‘Bias’)

# Tensorboard histogram summary.

tf.histogram_summary(‘Weight’, W)

tf.histogram_summary(‘Bias’, B)

with tf.name_scope(‘Layer’):

y = tf.nn.softmax(tf.matmul(X, W) + B)

with tf.name_scope(‘Cost’):

cross_entropy = tf.reduce_mean(-tf.reduce_sum(Y * tf.log(y), \

reduction_indices=[1]))

# Tensorboard scalar summary.

tf.scalar_summary(‘Cost’, cross_entropy)

with tf.name_scope(‘Train’):

train_step =
tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

with tf.name_scope(‘Accuracy’):

accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(y, 1), \

tf.argmax(Y, 1)), tf.float32))

# Tensorboard scalar summary.

tf.scalar_summary(‘Accuracy’, accuracy)

with tf.Session() as sess:

# Merge all summaries.

writer = tf.train.SummaryWriter(‘/root/tensor-board/logs/mnist_logs’,
sess.graph)

merged = tf.merge_all_summaries()

tf.initialize_all_variables().run()

# Training 1000 times, 100 for each loop.

for i in range(1000):

batch_xs, batch_ys = mnist.train.next_batch(100)

_, summary = sess.run([train_step, merged], feed_dict={X:
batch_xs, Y: batch_ys})

# Write summary into files.

writer.add_summary(summary, i)

# Close summary writer.

writer.close()

print(‘Accuracy’, accuracy.eval({X: mnist.test.images, Y:
mnist.test.labels}))

五、TensorBoard可视化

行上述顺序后，在浏览器被输入http://127.0.0.1:6006/，可以看到MNIST相关的信息，如下：

  1. EVENTS

  2. DISTRIBUTIONS

  3. HISTOGRAMS

  4. GRAPHS

点击上面节点如’Cost’，’Accurary’，’Layer’的’+’号，就能够进行该节点，能收看更详尽的消息，如下：

自打上图可以看看，通过TensorBoard可视化WEB工具，可以辅助我们针对机器上过程的理解，进而帮我们进行优化改进等。

参考资料

https://github.com/tensorflow/tensorflow/blob/r0.11/tensorflow/tensorboard/README.md

                                                       
长按二维码关注群众号 ‘人工智能学堂’