TensorFlow はじめの一歩(6) - みらいテックラボ

TensorFlowで学習を行っていると, 学習の収束状況を確認するために, lossやaccuracyが学習とともにどのように変化していくか, 視覚化したくなることがある.

そこで, 今回はスカラ値を視覚化する方法についてまとめておく.

基本的な流れ[1]
　ⅰ) SummaryWriterのインスタンス取得
　　　　writer = tf.train.SummaryWriter(logdir, graph_def)
　ⅱ) 出力したいスカラ値の指定
　　　　tf.scalar_summary(name, loss)
　ⅲ) すべてのSummaryを結合
　　　　merged = tf.merge_all_summaries()
　ⅳ) Summaryの評価
　　　　summary_str = sess.run(merged)
　ⅴ) 評価結果をSummaryWriterに渡す
　　　　writer.add_summery(summary_str, step)

Deep MNIST for Expertsを例に, サンプルコードを載せておく.
[コード]

# -*- coding: utf-8 -*-

import os
import sys
import numpy as np
import tensorflow as tf

# MNISTデータセットの読み込み
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

class Option:
    def __init__(self):
        self.mode = 'LT'
        self.model = '';

# 引数チェック
def options(argv):
    opt = Option()
    i = 0
    while i < len(argv):
        if argv[i] == '-mdl':
            opt.model = argv[i+1]
            i+=2
        elif argv[i] == '-mode':
            if argv[i+1] == 'T' or argv[i+1] == 'L' or argv[i+1] == 'LT':
                opt.mode = argv[i+1]
                i+=2
            else:
                return False, opt
        else:
            return False, opt
    return True, opt

# 重み & バイアス初期化
def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)
 
def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

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

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(opt):
    # 特徴ベクトルx[][784] ← 784次元(28x28dot)
    x = tf.placeholder(tf.float32, shape=[None, 784])
    # 目標
    y_ = tf.placeholder(tf.float32, shape=[None, 10])

    # 4次元tensorに変換
    x_image = tf.reshape(x, [-1,28,28,1])

    # 1層畳み込み層
    W_conv1 = weight_variable([5,5,1,32])
    b_conv1 = bias_variable([32])

    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)

    # 2層畳み込み層
    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)

    # 密に結合された層
    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
    keep_prob = tf.placeholder(tf.float32)
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

    # 読み出し層
    W_fc2 = weight_variable([1024, 10])
    b_fc2 = bias_variable([10])

    y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

    cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
    ce_summary = tf.scalar_summary('cross_entropy', cross_entropy)

    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

    correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    acc_summary = tf.scalar_summary('accuracy', accuracy)

    # Saver
    saver = tf.train.Saver()

    # セッション
    sess = tf.Session()
    # ログ出力準備
    merged = tf.merge_all_summaries()
    summ_writer = tf.train.SummaryWriter('./log/mnist', sess.graph)
    # 初期化
    sess.run(tf.initialize_all_variables())

    # 学習パラメータの復元
    if opt.model != '':
        if opt.model == 'auto':
            if tf.train.get_checkpoint_state('./'):
                ckpt = tf.train.get_checkpoint_state('./')
                last_model = ckpt.model_checkpoint_path
                saver.restore(sess, last_model)
        elif os.path.isfile(opt.model):
            saver.restore(sess, opt.model)

    if opt.mode == 'L' or opt.mode == 'LT' or opt.model == '':
        for i in range(20000):
            # ミニバッチのデータ 50個
            batch = mnist.train.next_batch(50)
            # small batch
            if i%100 == 0:
                summary, train_acc = sess.run([merged, accuracy], feed_dict={
                     x: batch[0], y_: batch[1], keep_prob: 1.0})
                summ_writer.add_summary(summary, i)
                print "step %d, training accuracy %g"%(i, train_acc)
            sess.run(train_step, feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
            # 途中の学習パラメータ保存
            if (i + 1) % 100 == 0 and opt.model != '':
                saver.save(sess, opt.model, global_step=i+1)
    
    # 評価
    if opt.mode == 'T' or opt.mode == 'LT':
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})
        print 'test accuracy %g'% acc
    # セッションクローズ
    sess.close()

if __name__ == '__main__':
    ret, opt = options(sys.argv[1:])
    if ret == False:
        sys.exit("Usage: %s <-mode L/T/LT> <-mdl model>" %sys.argv[0])
    main(opt)