tf.Summary

在TensorFlow中，最常用的可视化方法有三种途径，分别为TensorFlow与OpenCv的混合编程、利用Matpltlib进行可视化、利用TensorFlow自带的可视化工具TensorBoard进行可视化。这三种方法，在前面博客中都有过比较详细的介绍。但是，TensorFlow中最重要的可视化方法是通过TensorBoard、tf.Summary和tf.summary.FileWriter这三个模块相互合作来完成的。

1、类

class Event

class FileWriter: 将摘要协议缓冲区写入事件文件。

class FileWriterCache: 文件写入器缓存。

class SessionLog

class Summary

class SummaryDescription

class TaggedRunMetadata

2、函数

all_v2_summary_ops(...): 返回当前默认图中定义的所有v2样式的摘要操作。

audio(...): 输出带有音频的摘要协议缓冲区。

get_summary_description(...): 给定一个TensorSummary node_def，检索它的摘要描述。

histogram(...): 输出带有直方图的摘要协议缓冲区。

image(...): 输出带有图像的摘要协议缓冲区。

initialize(...): 初始化用于图形执行模式的摘要编写。

merge(...): 合并摘要。

merge_all(...): 合并默认图中收集的所有摘要。

scalar(...): 输出包含单个标量值的摘要协议缓冲区。

tensor_summary(...): 使用序列化的张量.proto输出摘要协议缓冲区。

text(...): 总结了文本数据。

二、重要的函数和类

1、tf.summary.FileWriter()类

将摘要协议缓冲区写入事件文件。FileWriter类提供了一种机制，用于在给定目录中创建事件文件，并向其中添加摘要和事件。该类异步更新文件内容。这允许训练程序调用方法直接从训练循环中将数据添加到文件中，而不会减慢训练的速度。当使用tf.compat.v1.Session参数构造时，FileWriter会在新的基于图的摘要(tf.contrib.summary)上形成一个兼容层，以便使用预先存在的代码(需要FileWriter实例)编写新的摘要。

`1、init`

__init__(
    logdir,
    graph=None,
    max_queue=10,
    flush_secs=120,
    graph_def=None,
    filename_suffix=None,
    session=None
)

创建一个FileWriter，可选地在给定会话中共享。通常，构造文件写入器会在logdir中创建一个新的事件文件。此事件文件将包含调用以下函数之一时构造的事件协议缓冲区:add_summary()、add_session_log()、add_event()或add_graph()。如果你将图形传递给构造函数，它将被添加到事件文件中。(这相当于稍后调用add_graph())。TensorBoard将从文件中选择图形并以图形方式显示，这样你就可以交互式地查看您构建的图形：

...create a graph...
# Launch the graph in a session.
sess = tf.compat.v1.Session()
# Create a summary writer, add the 'graph' to the event file.
writer = tf.compat.v1.summary.FileWriter(<some-directory>, sess.graph)

构造函数的会话参数使返回的FileWriter成为基于图的新摘要(tf.contrib.summary)上的兼容层。至关重要的是，这意味着底层的writer资源和事件文件将与使用相同会话和logdir的任何其他FileWriter共享，并与任何tf.contrib.summary共享。使用相同的共享资源名称(默认范围为logdir)在此会话中编写摘要。如果不存在这样的资源，将使用此构造函数的其余参数创建一个，但是如果已经存在这些参数，则忽略它们。

参数：

logdir: 一个字符串。将写入事件文件的目录。
graph: 图形对象，如sess.graph。
max_queue: 整数。等待事件和摘要的队列大小。
flush_secs: 号码。将挂起的事件和摘要刷新到磁盘的频率(以秒为单位)。
graph_def: DEPRECATED:使用graph参数。
filename_suffix: 一个字符串。每个事件文件的名称都带有后缀。
session: tf.compat.v1.Session对象。

可能产生的异常：

RuntimeError: If called with eager execution enabled.

`2、enter`

__enter__()

使用with语句。

`3、exit`

__exit__(
    unused_type,
    unused_value,
    unused_traceback
)

使用with语句。

`4、add_event`

add_event(event)

将事件添加到事件文件中。

参数：

event: 事件协议缓冲区。

`5、add_graph`

add_graph(
    graph,
    global_step=None,
    graph_def=None
)

将图形添加到事件文件中。协议缓冲区描述的图形将由TensorBoard显示。大多数用户在构造函数中传递一个图。

参数：

graph: 图形对象，如ses .graph。
global_step: 号码。可选的全局步骤计数器，以记录与图形。
graph_def: 弃用。而是使用graph参数。

可能产生的异常：

ValueError: If both graph and graph_def are passed to the method.

`6、add_meta_graph`

add_meta_graph(
    meta_graph_def,
    global_step=None
)

将MetaGraphDef添加到事件文件中。MetaGraphDef允许通过saver.import_meta_graph()运行给定的图。

参数：

meta_graph_def: MetaGraphDef对象，通常由saver.export_meta_graph()返回。
global_step: 号码。可选的全局步骤计数器，以记录与图形。

可能产生的异常：

TypeError: If both meta_graph_def is not an instance of MetaGraphDef.

`7、add_run_metadata`

add_run_metadata(
    run_metadata,
    tag,
    global_step=None
)

为单个session.run()调用添加元数据信息。

参数：

run_metadata: 一个RunMetadata原buf对象。
tag: 此元数据的标记名称。
global_step: 号码。可选的全局步骤计数器，以记录与StepStats。

可能产生的异常：

ValueError: If the provided tag was already used for this type of event.

`8、add_session_log`

add_session_log(
    session_log,
    global_step=None
)

向事件文件添加一个SessionLog协议缓冲区。此方法将提供的会话包装在事件协议缓冲区中，并将其添加到事件文件中。

参数：

session_log: 一个SessionLog协议缓冲区。
global_step: 号码。可选的全局步骤值，以记录摘要。

`9、add_summary`

add_summary(
    summary,
    global_step=None
)

将摘要协议缓冲区添加到事件文件中。此方法将提供的摘要封装在事件协议缓冲区中，并将其添加到事件文件中。你可以使用tf.Session.run或tf.Tensor来传递计算任何总结op的结果。对这个函数求eval。或者，你可以传递一个tf.compat.v1.Summary协议缓冲区，该缓冲区由您自己的数据填充。后者通常用于在事件文件中报告评估结果。

参数：

summary:摘要协议缓冲区，可选地序列化为字符串。
global_step:号码。可选的全局步骤值，以记录摘要。

10、close

close()

将事件文件刷新到磁盘并关闭该文件。当你不再需要摘要编写器时调用此方法。

`11、flush`

flush()

将事件文件刷新到磁盘。调用此方法以确保所有挂起事件都已写入磁盘。

`12、get_logdir`

get_logdir()

返回将写入事件文件的目录。

`13、reopen`

reopen()

EventFileWriter重开。可以在close()之后调用，以便在同一目录中添加更多事件。事件将进入一个新的事件文件。如果EventFileWriter未关闭，则不执行任何操作。

2、tf.summary.FileWriterCache()类

这个类缓存文件写入器，每个目录一个。

`1、clear`

@staticmethod
clear()

清除缓存的摘要写入器。目前仅用于单元测试。

`2、get`

@staticmethod
get(logdir)

返回指定目录的文件写入器。

参数：

返回值：

A FileWriter.

3、tf.summary.get_summary_description()函数

给定一个TensorSummary node_def，检索它的摘要描述。

tf.summary.get_summary_description(node_def)

当概要op被实例化时，相关元数据的摘要描述存储在它的NodeDef中。此方法检索描述。

参数：

node_def: 一个TensorSummary操作的node_def_pb2.NodeDef

返回值：

一个summary_pb2.SummaryDescription

可能产生的异常：

ValueError: if the node is not a summary op.

4、tf.summary.histogram()函数

输出带有直方图的摘要协议缓冲区。

tf.summary.histogram(
    name,
    values,
    collections=None,
    family=None
)

添加直方图摘要使您能够可视化数据在TensorBoard中的分布。在这里看到关于TensorBoard直方图仪表板的详细说明。生成的摘要有一个摘要值，其中包含值的直方图。如果任何值不是有限的，该op将报告InvalidArgument错误。

参数：

name: 生成的节点的名称。也将作为一个系列名称在TensorBoard。
values: 一个实数张量。任何形状。用于构建直方图的值。
collections: 可选的图形集合键列表。新的summary op被添加到这些集合中。默认为[GraphKeys.SUMMARIES]。
family: 可选的;如果提供，用作摘要标记名称的前缀，它控制用于在Tensorboard上显示的选项卡名称。

返回值：

字符串类型的标量张量。序列化的摘要协议缓冲区。

5、tf.summary.image()函数

输出带图像的protocol buffe，汇总数据的图像的的形式如下： ' tag /image/0', ' tag /image/1'...，如：input/image/0等。

tf.summary.image(
    name,
    tensor,
    max_outputs=3,
    collections=None,
    family=None
)

摘要最多有max_output包含图像的摘要值。图像由张量构成，张量必须为4-D，形状[batch_size, height, width, channels]，通道可以是：

1: 张量被解释为灰度。
3: 张量被解释为RGB。
4: 张量被解释为RGBA。

图像的通道数与输入张量相同。对于浮点数输入，每次将值规范化为一个图像，以适应范围[0,255]。uint8值不变。op使用两种不同的归一化算法：

如果所有的输入值都是正数，那么就对它们进行重新排序，使最大的值为255。
如果任何输入值为负，则值将被移动，因此输入值0.0位于127。然后对它们重新排序，使最小的值为0，或者最大的值为255。

输出摘要中的Summary.Value的protobufs根据名称生成，后缀取决于max_output设置：

如果max_output为1，则summary value标记为'name/image'。
如果max_output大于1，则按“name/image/0”、“name/image/1”等顺序生成摘要值标记。

参数：

name: 生成的节点的名称。也将作为一个系列名称在TensorBoard。
tensor: 一个4- d uint8或浮点32张量，形状[batch_size, height, width, channels]，其中channels是1、3或4。
max_output: 生成图像的批处理元素的最大数量。
collections: 可选的op.graphkeys列表。要将摘要添加到其中的集合。默认为[_ops.GraphKeys.SUMMARIES]。
family: 可选的;如果提供，用作摘要标记名称的前缀，它控制用于在Tensorboard上显示的选项卡名称。

返回值：

字符串类型的标量张量。序列化的摘要协议缓冲区。

6、tf.summary.merge()函数

此op创建一个摘要协议缓冲区，其中包含输入摘要中所有值的并集。当Op运行时，如果要合并的摘要中的多个值使用相同的标记，那么它将报告InvalidArgument错误。

参数：

inputs: 包含序列化摘要协议缓冲区的字符串张量对象列表。
collections: 可选的图形集合键列表。新的summary op被添加到这些集合中。默认为[]。
name: 操作的名称(可选)。

返回值：

字符串类型的标量张量。合并产生的序列化摘要协议缓冲区。

可能产生的异常：

RuntimeError: If called with eager mode enabled.

7、tf.summary.merge_all()函数

合并默认图中收集的所有摘要。

tf.summary.merge_all(
    key=tf.GraphKeys.SUMMARIES,
    scope=None,
    name=None
)

参数：

key: GraphKey用于收集摘要。默认为GraphKeys.SUMMARIES。
scope: 使用re.match筛选摘要操作的可选作用域。

返回值：

如果没有收集摘要，则返回None。否则返回字符串类型的标量张量，其中包含合并后的序列化摘要协议缓冲区。

可能产生的异常：

RuntimeError: If called with eager execution enabled.

8、tf.summary.scalar()函数

用来显示标量信息，其格式为：

tf.summary.scalar(
    name,
    tensor,
    collections=None,
    family=None
)

生成的摘要有一个张量，包含输入张量的原式。

参数：

name: 生成的节点的名称。也将作为系列名称在TensorBoard。
tensor: 包含一个单值的实数张量。
collections: 可选的图形集合键列表。新的summary op被添加到这些集合中。默认为[GraphKeys.SUMMARIES]。
family: 可选的;如果提供，用作摘要标记名称的前缀，它控制用于在Tensorboard上显示的选项卡名称。

返回值：

字符串类型的标量张量。其中包含一个摘要原buf。

可能产生的异常：

ValueError: If tensor has the wrong shape or type.

9、tf.summary.tensor_summary()函数

使用序列化的张量.proto输出摘要协议缓冲区。

tf.summary.tensor_summary(
    name,
    tensor,
    summary_description=None,
    collections=None,
    summary_metadata=None,
    family=None,
    display_name=None
)

参数：

name: 生成的节点的名称。如果没有设置display_name，它还将作为TensorBoard中的标记名。(在这种情况下，标记名称将继承tf名称作用域。)
tensor: 任何类型和形状的张量，可以序列化。
summary_description: 对摘要序列的长描述。支持减价。
collections: 可选的图形集合键列表。新的summary op被添加到这些集合中。默认为[GraphKeys.SUMMARIES]。
abstry_metadata: 可选的SummaryMetadata proto(它描述哪些插件可能使用summary值)。
family: 可选的;如果提供，则用作摘要标记的前缀，该标记控制未设置display_name时在TensorBoard上显示的名称。
display_name: 在TensorBoard中用于命名该数据的字符串。如果没有设置此值，则使用节点名。

返回值：

字符串类型的标量张量。序列化的摘要协议缓冲区。

10、tf.summary.text()函数

总结了文本数据。

tf.summary.text(
    name,
    tensor,
    collections=None
)

通过这个插件总结的文本数据将在TensorBoard的文本仪表板中可见。标准的TensorBoard文本仪表板将在字符串中呈现markdown，并将自动将1d和2d张量组织到表中。如果提供了一个二维以上的张量，则会显示一个二维子数组，并显示一条警告消息。(注意，这种行为不是text summary api的固有行为，而是默认的TensorBoard文本插件的固有行为。)

参数：

name: 生成的节点的名称。也将作为一个系列名称在TensorBoard。
tensor: 要概括的弦型张量。
collections: 可选的op . graphkeys列表。要将摘要添加到其中的集合。默认为[_ops.GraphKeys.SUMMARIES]。

返回值：

一个TensorSummary op，它的配置使TensorBoard能够识别它包含文本数据。张量是弦的一个标量张量，它包含了张量。

可能产生的异常：

ValueError: If tensor has the wrong type.

原链接：https://tensorflow.google.cn/api_docs/python/tf/summary

上一篇：InvalidArgumentError: LossTensor is inf or nan : Tensor had NaN values

下一篇：并行执行(二)、multiprocessing

提问和评论都可以，用心的回复会被更多人看到评论

发布评论

相关文章

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯

tf.Summary

tf.Summary

1、类

2、函数

1、tf.summary.FileWriter()类

1、__init__

2、__enter__

3、__exit__

4、add_event

5、add_graph

6、add_meta_graph

7、add_run_metadata

8、add_session_log

9、add_summary

10、close

11、flush

12、get_logdir

13、reopen

2、tf.summary.FileWriterCache()类

1、clear

2、get

3、tf.summary.get_summary_description()函数

4、tf.summary.histogram()函数

5、tf.summary.image()函数

6、tf.summary.merge()函数

7、tf.summary.merge_all()函数

8、tf.summary.scalar()函数

9、tf.summary.tensor_summary()函数

10、tf.summary.text()函数

51CTO博客

`1、init`

`2、enter`

`3、exit`

`4、add_event`

`5、add_graph`

`6、add_meta_graph`

`7、add_run_metadata`

`8、add_session_log`

`9、add_summary`

`11、flush`

`12、get_logdir`

`13、reopen`

`1、clear`

`2、get`