今天来看 TensorBoard 的一个内置的可视化工具 Embedding Projector, 是个交互式的可视化，可用来分析诸如 embeddings 的高维数据。
embedding projector 将从你的 checkpoint 文件中读取 embeddings。
默认情况下，embedding projector 会用 PCA 主成分分析方法将高维数据投影到 3D 空间, 还有一种投影方法是 T-SNE。
主要就是通过3步来实现这个可视化:
Setup a 2D tensor that holds your embedding(s).
embedding_var = tf.Variable(....)
Periodically save your model variables in a checkpoint in LOG_DIR.
saver = tf.train.Saver() saver.save(session, os.path.join(LOG_DIR, "model.ckpt"), step)
(Optional) Associate metadata with your embedding.
本节官方教程没有给出完整的例子，这里用 MNIST 举一个简单的例子。
1. 引入 projector，data，定义 path：
%matplotlib inlineimport matplotlib.pyplot as pltimport tensorflow as tfimport numpy as npimport osfrom tensorflow.contrib.tensorboard.plugins import projectorfrom tensorflow.examples.tutorials.mnist import input_data
LOG_DIR = 'minimalsample'NAME_TO_VISUALISE_VARIABLE = "mnistembedding"TO_EMBED_COUNT = 500path_for_mnist_sprites = os.path.join(LOG_DIR,'mnistdigits.png')
path_for_mnist_metadata = os.path.join(LOG_DIR,'metadata.tsv')
mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)
batch_xs, batch_ys = mnist.train.next_batch(TO_EMBED_COUNT)2. 建立 embeddings，也就是前面的第一步，最主要的就是你要知道想可视化查看的 variable 的名字：
embedding_var = tf.Variable(batch_xs, name=NAME_TO_VISUALISE_VARIABLE) summary_writer = tf.summary.FileWriter(LOG_DIR)
3. 建立 embedding projectorc：
这一步很重要，要指定想要可视化的 variable，metadata 文件的位置
config = projector.ProjectorConfig() embedding = config.embeddings.add() embedding.tensor_name = embedding_var.name# Specify where you find the metadataembedding.metadata_path = path_for_mnist_metadata #'metadata.tsv'# Specify where you find the sprite (we will create this later)embedding.sprite.image_path = path_for_mnist_sprites #'mnistdigits.png'embedding.sprite.single_image_dim.extend([28,28])# Say that you want to visualise the embeddingsprojector.visualize_embeddings(summary_writer, config)
4. 保存，即上面第二步：
Tensorboard 会从保存的图形中加载保存的变量，所以初始化 session 和变量，并将其保存在 logdir 中，
sess = tf.InteractiveSession() sess.run(tf.global_variables_initializer()) saver = tf.train.Saver() saver.save(sess, os.path.join(LOG_DIR, "model.ckpt"), 1)
5. 定义 helper functions：
**create_sprite_image:**将 sprits 整齐地对齐在方形画布上**vector_to_matrix_mnist:**将 MNIST 的 vector 数据形式转化为 images**invert_grayscale: **将黑背景变为白背景
def create_sprite_image(images): """Returns a sprite image consisting of images passed as argument. Images should be count x width x height""" if isinstance(images, list): images = np.array(images) img_h = images.shape[1] img_w = images.shape[2] n_plots = int(np.ceil(np.sqrt(images.shape[0]))) spriteimage = np.ones((img_h * n_plots ,img_w * n_plots )) for i in range(n_plots): for j in range(n_plots): this_filter = i * n_plots + j if this_filter < images.shape[0]: this_img = images[this_filter] spriteimage[i * img_h:(i + 1) * img_h, j * img_w:(j + 1) * img_w] = this_img return spriteimagedef vector_to_matrix_mnist(mnist_digits): """Reshapes normal mnist digit (batch,28*28) to matrix (batch,28,28)""" return np.reshape(mnist_digits,(-1,28,28))def invert_grayscale(mnist_digits): """ Makes black white, and white black """ return 1-mnist_digits
6. 保存 sprite image：
将 vector 转换为 images，反转灰度，并创建并保存 sprite image。
to_visualise = batch_xs to_visualise = vector_to_matrix_mnist(to_visualise) to_visualise = invert_grayscale(to_visualise) sprite_image = create_sprite_image(to_visualise) plt.imsave(path_for_mnist_sprites,sprite_image,cmap='gray') plt.imshow(sprite_image,cmap='gray')
7. 保存 metadata：
将数据写入 metadata，因为如果想在可视化时看到不同数字用不同颜色表示，需要知道每个 image 的标签，在这个 metadata 文件中有这样两列："Index" , "Label"
with open(path_for_mnist_metadata,'w') as f:
f.write("Index\tLabel\n") for index,label in enumerate(batch_ys):
f.write("%d\t%d\n" % (index,label))8. 执行：
我是用 jupyter notebook 写的，执行前面的代码后，会在当前 ipynb 所在文件夹下生成一个 minimalsample 文件夹，
要打开 tensorboard ，需要在终端执行：
$ tensorboard --logdir=YOUR FOLDER/minimalsample
9. 然后在 embeddings 中可以看到图了：
如果提示了 metadata.tsv is not a file 这个错误，
那么，去 minimalsample 文件夹下会找到一个 projector_config.pbtxt 文件，把里面的 metadata_path: 和 image_path: 改为你的 metadata.tsv 和 mnistdigits.png 所在的绝对路径。
随时随地看视频
