使用最基础的识别手写字体的案例,建立一个简单的神经网络，让大家了解如何使用Tensorboard。
- Python
- Tensorflow
Step 1. Download this repository with git or click the download ZIP button
$ git clone https://github.com/guoswang/TensorBoard.git
$ cd TensorBoard
Step 2. Download MNIST dataset. In this step, you have two choices:
- a) Automatic downloading with ==download_data.py== script
$ python download_data.py
- b) Manual downloading with wget or other tools, move and extract dataset into ==data/mnist== directory, for example:
$ mkdir -p data/mnist
$ wget -c -P data/mnist http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
$ wget -c -P data/mnist http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
$ wget -c -P data/mnist http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
$ wget -c -P data/mnist http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz
$ gunzip data/mnist/*.gz
Step 3. Start the training and testing(Using the MNIST dataset by default):
$ python main.py
$ tensorboard --logdir='log'
Step 4. You will get a website after Step 3. You can navigate to the website.
-
SCALARS 展示的是标量的信息，程序中用tf.summary.scalars()定义的信息都会在这个窗口。程序中定义的标量有：准确率accuracy,dropout的保留率，隐藏层中的参数信息，已经交叉熵损失。这些都在SCLARS窗口下显示出来了。
点开accuracy,红线表示test集的结果，蓝线表示train集的结果，可以看到随着循环次数的增加，两者的准确度也在通趋势增加点开dropout，红线表示的测试集上的保留率始终是1，蓝线始终是0.9
点开layer1，查看第一个隐藏层的参数信息。
从中我们可以看到偏执项b的信息，随着迭代的加深，最大值越来越大，最小值越来越小，与此同时，也伴随着方差越来越大，这样的情况是我们愿意看到的，神经元之间的参数差异越来越大。因为理想的情况下每个神经元都应该去关注不同的特征，所以他们的参数也应有所不同。
权值w的信息，同理，最大值，最小值，标准差也都有与b相同的趋势，神经元之间的差异越来越明显。w的均值初始化的时候是0，随着迭代其绝对值也越来越大。点开layer2
点开loss，可见损失的降低趋势。
-
Images记录图像数据。在程序中我们设置了一处保存了图像信息，就是在转变了输入特征的shape，然后记录到了image中，于是在tensorflow中就会还原出原始的图片了：
-
Graphs 这里展示的是整个训练过程的计算图graph,从中我们可以清洗地看到整个程序的逻辑与过程。
单击某个节点，可以查看属性，输入，输出等信息单击节点上的“+”字样，可以看到该节点的内部信息。
另外还可以选择图像颜色的两者模型，基于结构的模式，相同的节点会有同样的颜色，基于预算硬件的，同一个硬件上的会有相同颜色。
-
DISTRIBUTIONS 这里查看的是神经元输出的分布，有激活函数之前的分布，激活函数之后的分布等。
-
HISTOGRAMS 也可以看以上数据的直方图
-
EMBEDDINGS 展示的是嵌入向量的可视化效果，本案例中没有使用这个功能。之后其他案例中再详述。
-
AUDIO 这里展示的是声音的信息，但本案例中没有涉及到声音的。
