TensorFlowを使ってみる 〜その３〜 TensorBoard

前回作成した畳み込みニューラルネットワークを TensorBoard を使って視覚化します。

TensorBoard

TensorBoard は、プログラムの理解、デバッグ、および最適化を容易にするための視覚化ツールになります。
https://www.tensorflow.org/get_started/summaries_and_tensorboard
https://www.tensorflow.org/get_started/graph_viz

準備

前回のエントリーで作成したソースコードを用意します。
このコードに TensorBoard 用のコードを追記してきます。

実装コード全体

実装コードの全体は、下記となります。

deep_mnist_softmax.py

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
import sys

from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

# 重み変数
def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)

# バイアス変数
def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)

# 畳み込み
def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

# プーリング
def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                        strides=[1, 2, 2, 1], padding='SAME')

def main(_):
  # データ取得
  mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

  # placeholder作成
  with tf.name_scope('input'):
    x = tf.placeholder(tf.float32, [None, 784], name="x")
    y_ = tf.placeholder(tf.float32, [None, 10], name="y_")

  # 畳み込み１層目
  with tf.name_scope('layer_1'):
    W_conv1 = weight_variable([5, 5, 1, 32])
    b_conv1 = bias_variable([32])
    x_image = tf.reshape(x, [-1,28,28,1])
    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)

  # 畳み込み２層目
  with tf.name_scope('layer_2'):
    W_conv2 = weight_variable([5, 5, 32, 64])
    b_conv2 = bias_variable([64])
    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
    h_pool2 = max_pool_2x2(h_conv2)

  # 全結合層
  with tf.name_scope('full_connect'):
    W_fc1 = weight_variable([7 * 7 * 64, 1024])
    b_fc1 = bias_variable([1024])
    h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

  # ドロップアウト層
  with tf.name_scope('drop_out'):
    keep_prob = tf.placeholder(tf.float32, name="keep_prob")
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

  # 出力層
  with tf.name_scope('output'):
    W_fc2 = weight_variable([1024, 10])
    b_fc2 = bias_variable([10])
    y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

  # optimizer
  with tf.name_scope('optimizer'):
    # 損失関数（交差エントロピー誤差）
    cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y_conv, y_))
    # 勾配
    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

  # evaluator
  with tf.name_scope('evaluator'):
    # 精度
    correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

  # セッション
  sess = tf.InteractiveSession()
  sess.run(tf.global_variables_initializer())

  # サマリー
  tf.summary.scalar('cross_entropy', cross_entropy)
  tf.summary.scalar('accuracy', accuracy)

  tf.summary.histogram("weights_conv1", W_conv1)
  tf.summary.histogram("weights_conv2", W_conv2)
  tf.summary.histogram("weights_fc1", W_fc1)
  tf.summary.histogram("weights_fc2", W_fc2)
  tf.summary.histogram("biases_conv1", b_conv1)
  tf.summary.histogram("biases_conv2", b_conv2)
  tf.summary.histogram("biases_fc1", b_fc1)
  tf.summary.histogram("biases_fc2", b_fc2)

  merged = tf.summary.merge_all()
  writer = tf.summary.FileWriter("/tmp/deep_mnist_sl_logs", sess.graph)

  # トレーニング
  for i in range(5000):
    batch = mnist.train.next_batch(50)

    if i % 500 == 0:
      # 途中経過（500件ごと）
      # train_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
      # print("step %d, training accuracy %f" % (i, train_accuracy))
      summary, loss_val, acc_val = sess.run([merged, cross_entropy, accuracy], feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
      print('Step: %d, Loss: %f, Accuracy: %f' % (i, loss_val, acc_val))
      writer.add_summary(summary, i)

    # トレーニング実行
    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

  # 評価
  print("test accuracy %f" % accuracy.eval(feed_dict={
    x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

if __name__ == '__main__':
  parser = argparse.ArgumentParser()
  parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
                      help='Directory for storing input data')
  FLAGS, unparsed = parser.parse_known_args()
  tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)

実装コード詳細

実装コードの詳細を以下に記載します。

• ネームスペース

with tf.name_scope('input'):
  x = tf.placeholder(tf.float32, [None, 784], name="x")
  y_ = tf.placeholder(tf.float32, [None, 10], name="y_")

with構文を使って、同じ構成要素をグループ化します。
ここでは入力に関する要素をグループ化しています。
同様に、畳み込み層、全結合層、ドロップ層、出力層についてもグループ化します。

• サマリー（scalar）

# サマリー
tf.summary.scalar('cross_entropy', cross_entropy)
tf.summary.scalar('accuracy', accuracy)

scalarとして、損失関数（交差エントロピー誤差）と精度を設定します。
※第一引数の文字列が、TensorBoardでの表示名になります。

• サマリー（histogram）

tf.summary.histogram("weights_conv1", W_conv1)
tf.summary.histogram("weights_conv2", W_conv2)
tf.summary.histogram("weights_fc1", W_fc1)
tf.summary.histogram("weights_fc2", W_fc2)
tf.summary.histogram("biases_conv1", b_conv1)
tf.summary.histogram("biases_conv2", b_conv2)
tf.summary.histogram("biases_fc1", b_fc1)
tf.summary.histogram("biases_fc2", b_fc2)

histogramとして、重みとバイアスを設定します。
※第一引数の文字列が、TensorBoardでの表示名になります。

• Merge

merged = tf.summary.merge_all()

すべての集計をマージします。

• FileWriter

writer = tf.summary.FileWriter("/tmp/deep_mnist_sl_logs", sess.graph)

ログファイルの書き出し先フォルダを指定します。

• サマリー追加

if i % 500 == 0:
  # 途中経過（500件ごと）
  # train_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
  # print("step %d, training accuracy %f" % (i, train_accuracy))
  summary, loss_val, acc_val = sess.run([merged, cross_entropy, accuracy], feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
  print('Step: %d, Loss: %f, Accuracy: %f' % (i, loss_val, acc_val))
  writer.add_summary(summary, i)

500件ごとに計測した損失と精度のサマリーをログに追加します。

実行

コードを実行します。

python deep_mnist_softmax.py

実行後、ログファイルが指定の書き出し先フォルダへ格納されます。
※前回のエントリーでの作成した環境で実行する場合は、仮想環境を起動後に実行します。

TensorBoard 起動

ターミナルにてフォルダを指定し tensorboardコマンドを実行します。

tensorboard --logdir=/tmp/deep_mnist_sl_logs/

すると、以下のように表示されるので、
このアドレスをWebブラウザへ入力する事で TensorBoard が開きます。

Starting TensorBoard b'39' on port 6006
(You can navigate to http://xxx.xxx.xxx.xxx:6006)

TensorBoard

開いた TensorBoard の各タブを見てみます。

• SCALAR

精度と交差エントロピー誤差が表示されています。
回数を重ねるにつれ精度が向上しているのがわかります。

• GRAPHS

各グループの繋がりが視覚化されます。

＋マークをクリックすると詳細が表示されます。

• DISTRIBUTIONS

• HISTOGRAMS

重みとバイアスがヒストグラム表示されています。

TensorBoard 終了

ターミナルで Ctrl + Cを押し、終了します。

以上、今回は TensorBoard を使って視覚化を行いました。