【精选】Jupyter Notebooks里的TensorFlow图可视化

前提： 假设你熟悉Python，TensorFlow和Jupyter notebooks。 我们的目标只是可视化计算图。

TensorFlow操作形成计算图。 而对于简单的例子，你可能可以查看代码，并立即看到发生了什么，较大的计算图可能不那么明显。 可视化图表可以帮助诊断计算本身的问题，也可以帮助了解TensorFlow中的某些操作是如何工作的以及事情如何组合在一起的。

让我们来看几种不同的可视化TensorFlow图形的例子，最重要的是，如何以一种非常简单和有效的方式来实现。

首先，让我们创建一个简单的TensorFlow图。 常规操作（如使用 tf.placeholder ）会在所谓的默认图形中创建一个节点。 我们可以通过 tf.get_default_graph（） 访问它，但是我们也可以临时更改它。 在下面的示例中，我们将创建一个 tf.Graph 对象的新实例，并创建一个添加两个变量的例子。

c=a+b

变量g现在包含操作c = a + b的计算图的定义。 我们可以使用 g.as_graph_def（） 方法获取表达式的图形的文本表示。 虽然这主要用于通过 tf.import_graph_def 进行序列化和随后的反序列化，但我们将使用它来创建一个 GraphViz DOT graph。

让我们来看看 GraphDef 的简单表达。 首先，我们查看图中所有节点的名称。

结果有三个节点。 一个是每一个变量，另一个用于添加操作。 占位符变量节点有一个名称，因为我们在调用 tf.placeholder 时明确命名它们。 如果我们省略了name关键字参数，TensorFlow将简单地生成一个名称，就像在add操作中一样。

接下来，我们可以看看图中的边。 每个 GraphDef 节点都有一个输入字段，指定具有边缘的节点。 让我们来看看：

我们可以看到，有两个边，每个变量一个。 我们可以直接将其直接提供给GraphViz。

GraphViz 是一个非常受欢迎的库，用于绘制图形，树形和其他图形数据结构。 我们将使用 Python GraphViz 软件包，它提供了一个很好的界面。 我们可以通过安装graphviz直接安装在Jupyter notebooks中。

图形定义本身将非常简单，我们将从TensorFlow本身的一个类似的代码（在graph_to_dot.py中）获得灵感，该代码生成给定GraphDef的DOTgraph文件格式。 不过，它只能作为命令行脚本使用，因此我们不能直接从我们的代码中调用它。 这就是为什么我们想自己来实现它，但不要担心，它只会是几行代码。

现在让我们将它打包成一个函数，并尝试在更复杂的表达式上使用它。

我们将建立另一个图，计算公式为π* r2的圆的面积。

GraphViz对于可视化小图很适用，神经网络可以增长到相当大的大小。 TensorBoard允许我们轻松地将的方程组分成有效范围，然后在结果图中将其视觉分离。 但是在这样做之前，让我们尝试用TensorBoard来显示我们之前的图形。

我们需要做的就是使用 tf.summary.FileWriter 来保存它，它使用一个目录和一个图形，并以TensorBoard可以读取的格式对图形进行序列化。 该目录可以是任何你想要的，只需确保您使用tensorboard --logdir = DIR命令（DIR是您为FileWriter指定的目录）指向同一目录。

接下来，打开控制台并执行FileWriter命令在同一目录下，然后运行tensorboard --logdir = logs。 这将启动一个TensorBoard的实例，你可以访问http:// localhost:6006。 然后运行到图形部分，你应该会看到一个如下图所示的图形。 请注意，你也可以点击图形中的节点进一步检查。

幸运的是，TensorFlow允许我们将操作连在一起，称为 scope。 但首先，让我们来看一个更复杂的例子，而不使用 scope。 我们将创建一个非常简单的前馈神经网络，具有三层（各自权重W1，W2，W3，偏置b1，b2，b3）。

我们可以通过使用上述的tf.name_scope函数来改善这一点。 让我们重写前馈网络代码，将每个层分成自己的scope。

以下是结果图形，展示了整个网络的紧凑视图（左）以及展开其中一个节点时的外观（右）。