(新手指南) 開啟 tensorboard 來視覺化 tensorflow 程式

(一) 環境設定 & 準備事項

1. 小編使用環境: Mac OS

2. Source code：小編使用的是Dandelion Mané演講所demo的Code (https://github.com/decentralion/tf-dev-summit-tensorboard-tutorial)

3. 請先安裝tensorflow, python, virtualenv至你的系統中，請參考官網的安裝步驟 (https://www.tensorflow.org/install/install_mac)

(二) 開始執行tensorboard

請注意，tensorboard主要是讀取tensorflow的event檔案，所以請了解每個source code將event寫在哪裡。
本節分兩個部分：
(2-1)下載別人的Source code時，要如何開啟tensorboard
(2-2)自己撰寫Python code時，要如何開啟tensorboard

正文開始：
(2-1) 執行別人的Python Source Code

1. 首先，先進入git，把整包下載下載：

2. 接著開啟console，並執行程式：

(1)載入tensorflow

source ~/tensorflow/bin/activate

(2) 進入到下載的位置，執行程式

python mnist.py 

3. 在開啟另外一個console，並執行tensorboard

(1)載入tensorflow

source ~/tensorflow/bin/activate

(2) 執行tensorboard

tensorboard --logdir=/tmp/mnist_tutorial

其位址，可參考程式中所寫的位址，如下圖所示：

4. 接著他會跟你說，打開XXX位址去檢視，如下所示：TensorBoard 0.1.5 at http://AllendeMacBook-Pro.local:6006 (Press CTRL+C to quit)

5. 你就可以在瀏覽器輸入這個位址，去檢視tensorboard了！

(2-2) 自行撰寫的python程式

當自己在撰寫Python程式時，透過tensorboard可以迅速了解自己執行到哪個步驟。

1. 首先，進入python環境

(1)載入tensorflow

source ~/tensorflow/bin/activate

(2) 進入python

python

2. 自己撰寫小程式
程式碼：

載入tensorflow API，讓Python能夠存取tensorflow的class, method和symbol

import tensorflow as tf

宣告2常數

node1 = tf.constant(3.0, dtype=tf.float32)
node2 = tf.constant(4.0) # also tf.float32 implicitly
print(node1, node2)

建立一個Session物件，並且執行run這個方法，來去建立Graph以評估node1和node2

sess = tf.Session()
print(sess.run([node1, node2]))

在建立一個node3，並利用add方法，使得 node1+node2 = node3

node3 = tf.add(node1, node2)
print("node3:", node3)
print("sess.run(node3):", sess.run(node3))

重頭戲來了，透過summary方法，將上述的內容輸出到 '/tmp/allen_test'中，(路徑可以自行定義)；然後再透過add_graph的方式，將上述node的圖寫到檔案中。

writer = tf.summary.FileWriter('/tmp/allen_test')
writer.add_graph(sess.graph)




3. 請不要將上述console關掉，也不要退出python，請開另外一個console




並執行以下語法

tensorboard --logdir=/tmp/allen_test




接著他會跟你說，打開XXX位址去檢視，如下所示：TensorBoard 0.1.5 at http://AllendeMacBook-Pro.local:6006 (Press CTRL+C to quit)

你就可以透過瀏覽器，看到tensorboard囉，如下圖所示：







A scalable collaborative filtering framework based on co clustering

A scalable collaborative filtering framework based on co clustering from AllenWu