了解 TensorBoard（权重）直方图

Question

在 TensorBoard 中查看和理解标量值非常简单。然而，如何理解直方图图表并不清楚。

例如，它们是我的网络权重的直方图。

（感谢 sunside 修复了一个错误后）解释这些的最佳方法是什么？ Layer 1 权重看起来基本持平，这是什么意思？

我这里添加了建网代码

X = tf.placeholder(tf.float32, [None, input_size], name="input_x")
x_image = tf.reshape(X, [-1, 6, 10, 1])
tf.summary.image('input', x_image, 4)

# First layer of weights
with tf.name_scope("layer1"):
    W1 = tf.get_variable("W1", shape=[input_size, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer1 = tf.matmul(X, W1)
    layer1_act = tf.nn.tanh(layer1)
    tf.summary.histogram("weights", W1)
    tf.summary.histogram("layer", layer1)
    tf.summary.histogram("activations", layer1_act)

# Second layer of weights
with tf.name_scope("layer2"):
    W2 = tf.get_variable("W2", shape=[hidden_layer_neurons, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer2 = tf.matmul(layer1_act, W2)
    layer2_act = tf.nn.tanh(layer2)
    tf.summary.histogram("weights", W2)
    tf.summary.histogram("layer", layer2)
    tf.summary.histogram("activations", layer2_act)

# Third layer of weights
with tf.name_scope("layer3"):
    W3 = tf.get_variable("W3", shape=[hidden_layer_neurons, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer3 = tf.matmul(layer2_act, W3)
    layer3_act = tf.nn.tanh(layer3)

    tf.summary.histogram("weights", W3)
    tf.summary.histogram("layer", layer3)
    tf.summary.histogram("activations", layer3_act)

# Fourth layer of weights
with tf.name_scope("layer4"):
    W4 = tf.get_variable("W4", shape=[hidden_layer_neurons, output_size],
                         initializer=tf.contrib.layers.xavier_initializer())
    Qpred = tf.nn.softmax(tf.matmul(layer3_act, W4)) # Bug fixed: Qpred = tf.nn.softmax(tf.matmul(layer3, W4))
    tf.summary.histogram("weights", W4)
    tf.summary.histogram("Qpred", Qpred)

# We need to define the parts of the network needed for learning a policy
Y = tf.placeholder(tf.float32, [None, output_size], name="input_y")
advantages = tf.placeholder(tf.float32, name="reward_signal")

# Loss function
# Sum (Ai*logp(yi|xi))
log_lik = -Y * tf.log(Qpred)
loss = tf.reduce_mean(tf.reduce_sum(log_lik * advantages, axis=1))
tf.summary.scalar("Q", tf.reduce_mean(Qpred))
tf.summary.scalar("Y", tf.reduce_mean(Y))
tf.summary.scalar("log_likelihood", tf.reduce_mean(log_lik))
tf.summary.scalar("loss", loss)

# Learning
train = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

Answer 1

看起来网络在第一层到第三层没有学到任何东西。最后一层确实发生了变化，所以这意味着梯度可能有问题（如果你手动篡改它们），你通过只优化它的权重或最后一层来限制学习到最后一层 'eats up' 全部错误。也可能只学到了偏见。虽然网络似乎学到了一些东西，但它可能没有充分发挥其潜力。这里需要更多的上下文，但是尝试学习率（例如使用较小的学习率）可能值得一试。

通常，直方图显示一个值相对于其他值的出现次数。简单地说，如果可能的值在 0..9 的范围内，并且您看到值 0 上出现数量 10 的尖峰，这意味着 10 个输入假定值 0;相反，如果直方图显示 0..9 的所有值的 1 平稳，则意味着对于 10 个输入，每个可能的值 0..9 恰好出现 [=50] =]一次。当您将所有直方图值按其总和归一化时，您还可以使用直方图来可视化概率分布；如果这样做，您将直观地获得某个值（在 x 轴上）出现的可能性（与其他输入相比）。

现在 layer1/weights，高原意味着：

大部分权重都在-0.15到0.15之间

权重（大部分）具有这些值中的任何一个的可能性相同，即它们（几乎）均匀分布

换句话说，几乎相同数量的权重具有值 -0.15、0.0、0.15 以及介于两者之间的所有值。有些权重的值稍小或稍高。所以简而言之，这看起来就像是使用均值为零且值范围为 -0.15..0.15 的均匀分布初始化了权重 ... 给予或接受。如果您确实使用统一初始化，那么这是典型的网络尚未训练的情况。

相比之下，layer1/activations 形成类似钟形曲线（高斯）的形状：值以特定值为中心，在本例中为 0，但它们也可能更大或更小比那个（同样可能，因为它是对称的）。大多数值看起来都接近 0 的平均值，但值的范围确实在 -0.8 到 0.8 之间。我假设 layer1/activations 被视为一批中所有层输出的分布。您可以看到这些值确实会随时间发生变化。

第 4 层直方图没有告诉我任何具体信息。从形状上看，只是表明-0.1、0.05和0.25附近的一些权重值出现的概率较高；可能的一个原因是，每个神经元的不同部分实际上接收相同的信息并且基本上是多余的。这可能意味着您实际上可以使用较小的网络，或者您的网络有可能学习更多有区别的特征以防止过度拟合。不过这些只是假设。

此外，正如下面的评论中所述，请添加偏差单位。通过将它们排除在外，您将网络强行限制为可能无效的解决方案。

Answer 2

在这里，我将通过举一个最小的例子来间接说明情节。以下代码在 tensorboard 中生成一个简单的直方图。

from datetime import datetime
import tensorflow as tf
filename = datetime.now().strftime("%Y%m%d-%H%M%S")
fw = tf.summary.create_file_writer(f'logs/fit/{filename}')
with fw.as_default():
    for i in range(10):
        t = tf.random.uniform((2, 2), 1000)
        tf.summary.histogram(
            "train/hist",
            t,
            step=i
        )
        print(t)

我们看到生成最大范围为 1000 的 2x2 矩阵将产生 0-1000 的值。对于这个张量的外观，我在这里放了其中一些的日志。

 tf.Tensor(
[[398.65747  939.9828  ]
 [942.4269    59.790222]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[869.5309  980.9699 ]
 [149.97845 454.524  ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[967.5063   100.77594 ]
 [ 47.620544 482.77008 ]], shape=(2, 2), dtype=float32)

我们登录 tensorboard 10 次。在图的右侧，生成了一个时间线来指示时间步长。直方图的深度表明哪些值是新的。 lighter/front 值较新，darker/far 值较旧。

值被收集到由那些三角形结构指示的桶中。 x 轴表示束所在的值范围。

了解 TensorBoard（权重）直方图

Understanding TensorBoard (weight) histograms

tensorflow

histogram

tensorboard