1.前言

本文就使用tensorboard進行高維向量可視化過程中出現的一些bug和問題，進行一次總結，幫助那些和我一樣的小白快速上手Tensorboard高維向量可視化。

這里我先展示下最近我做的高維向量可視化的成果，藍色是非事故圖片，紅色是事故圖片。從結果上看出來，模型對事故和非事故的區分能力還算可以。

事故和非事故二分類結果

那么如何快速上手一個空間向量可視化過程，查看模型分類結果的空間分布呢？

這里我們使用到了tensorflow的tensorboard工具包，以事故分類為例，一步步克服tensorboard中的一些BUG。

2.特征向量提取與記錄

一般而言，類似圖像分類這種任務，在CNN最后幾層中，一般會添加1x1卷積或者是全連接層，將backbone（特征提取網絡）輸出的特征圖進行降維，便于接下來的分類。

在搭建模型的時候，也要刻意引出最后幾層全連接層（或1x1卷積層）的輸出，因為我們要可視化的高維向量就是這些層的輸出（具體層數的輸出維度，根據自己任務而定，這里我們在某一神經網絡的最后，加入了個維度為8的全連接層（用作可視化的高維向量），然后再接上一個維度為2的全連接層（為了分類））。

這里我們基于pytorch搭建了個模型，模型forward函數代碼如下：

def forward(self,x):batch_size, channels, height, width = x.size()feature_map=self.cnn(x)feature_map1=self.cnn_layer(feature_map)feature_map=feature_map1.view(batch_size,-1)output1=self.dense1(feature_map) #512 -> 64output2=self.dense2(output1) #64 -> 8output3=self.dense3(output2)#8 -> 2return output1,output2,output3

可見，除了最后的輸入output3，我們還額外輸出了維度為64的output1和維度為8的output2。

等網絡訓練完畢后，我們就用訓練完的權重跑一遍測試集，將

• 每張測試集圖片的地址,
• 每張圖片經過網絡輸出的output1，
• 每張圖片經過網絡輸出的output2，
• 每張圖片經過網絡輸出的output3

保存到csv文件中，代碼如下

record=[]for original_image in tqdm(image_path):with torch.no_grad():# print('現在處理：', original_image)prep_img = image_process(original_image)prep_img=prep_img.cuda()# print(prep_img.shape)output1, output2, output3 = model(prep_img)# print(output1.shape)record.append([original_image,output1[0],output2[0],output3[0]])record_pd=pd.DataFrame(data=record,index=None,columns=['img_path','output64','output8',"output2"])record_pd.to_csv('vector_record.csv')

保存的CSV的格式如下：

CSV格式

可見，output可都是tensor類型的呀！

3. 標簽數據（meta.tsv）和圖片數據（sprite.jpg）生成

從上面可視化的結果來看，每個空間展示圖片的圖片內容和標簽（藍或紅）信息都被包含了，所以這里我們需要生成需要的標簽數據和圖片數據。我們從上面的csv文件中導入圖片的地址數據，因為知道了地址數據，我們就知道了圖片的內容以及標簽（因為非事故和事故數據集的地址不同，所以可以用地址的關鍵字判斷類別）

我們先定義一些變量，用作保存時的名稱：

# PROJECTOR需要的日志文件名和地址相關參數 LOG_DIR = 'log' SPRITE_FILE = 'sprite.jpg' META_FIEL = "meta.tsv" os.mkdir(LOG_DIR)

接著加載數據：

# 數據加載 sample_data = pd.read_csv(r'E:Deep_learning_PytorchVideo_recognitionAccident_RecognitionCNN_LSTMAccident_Clustingsample_data.csv'

3.1 載入圖片并生成一張大圖（sprite image)

這里我們先導入地址，然后將地址中的所有圖片導入進來并保存到一張list中（名為img_list)

img_path= sample_data['img_path'].values img_list=[] for path in img_path:img=cv2.imread(path,0)# print(img.shape)img=cv2.resize(img,(128,128))# print(img.shape)img_list.append(img.reshape(1,128,128))

接著我們定義一個大圖像生成函數create_sprite_image,如下:

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] #112img_w = images.shape[2] #112# sprite圖像可以理解成是小圖片平成的大正方形矩陣，大正方形矩陣中的每一個元素就是原來的小圖片。于是這個正方形的邊長就是sqrt(n),其中n為小圖片的數量。n_plots = int(np.ceil(np.sqrt(images.shape[0]))) #根號下2000# 使用全1來初始化最終的大圖片。spriteimage = np.ones((img_h*n_plots, img_w*n_plots))for i in range(n_plots):for j in range(n_plots):# 計算當前圖片的編號this_filter = i*n_plots + jif this_filter < images.shape[0]:# 將當前小圖片的內容復制到最終的sprite圖像this_img = images[this_filter]spriteimage[i*img_h:(i + 1)*img_h,j*img_w:(j + 1)*img_w] = this_imgreturn spriteimage

然后使用img_list生成這個大圖像并保存：

img=np.concatenate(img_list,0) #(2000, 112, 112) # 生成sprite圖像# to_visualise = 1 - np.reshape(img, (-1, 28, 28)) sprite_image = create_sprite_image(img)# 將生成的sprite圖片放到相應的日志目錄下 path_for_sprites = os.path.join(LOG_DIR, SPRITE_FILE) # plt.imsave(path_for_mnist_sprites,sprite_image, cmap='gray') cv2.imwrite(path_for_sprites,sprite_image,[int(cv2.IMWRITE_JPEG_QUALITY), 100])

這里，sprite_image就生成好了，保存在log/sprite.jpg中。

3.2 生成標簽數據meta.tsv

我們的事故和非事故圖片集放在文件夾：

非事故：Z:Fast_datasetAccident_model_pretrainClassficationFalse_for_classificaition
事故：
Z:Fast_datasetAccident_model_pretrainClassficationTrue_for_classification

這里我們可以看出，可以用圖片地址區分事故標簽（False為非事故，True為事故）

那么我們代碼這么寫：

# # 生成每張圖片對應的標簽文件并寫道相應的日志目錄下 path_for_metadata = os.path.join(LOG_DIR,META_FIEL) with open(path_for_metadata, 'w') as f:f.write("IndextLabeln")for index, path in enumerate(img_path):label=0 if 'False' in path else 1f.write("%dt%dn"%(index, label))

即完成了對meta.csv的記錄，meta.csv里面是長這樣的。

到這里，標簽數據（meta.tsv）和圖片數據（sprite.jpg）就生成了，接下來到最后的數據的匹配和關聯+總日志文件生成。

4. 數據的匹配和關聯+總日志文件生成

上述，我們在CSV文件中保存了每個圖片在訓練好的模型的輸出向量，這個輸出向量可以看作圖片在淺層空間的表示。那我們就從該CSV文件導出需要的向量，這里我們以8維的向量為例子，導入的程序代碼如下：

sample_data = pd.read_csv(r'E:Deep_learning_PytorchVideo_recognitionAccident_RecognitionCNN_LSTMAccident_Clustingsample_data.csv')output= sample_data['output8'].valuesoutput=[eval(i).cpu().numpy() for i in output]# print(type(output2[0]))final_result=np.asarray(output)

這段代碼需要注意的是，我們保存時候，向量以torch.tensor形式保存，從CSV導入的時候，輸出的類型又是字符串str類型，所以我們需要做兩件事

字符串轉torch.tensor，這里使用eval（）函數，且需要from torch import tensor

torch.tensor轉數組，因為后面要用tensorflow的tensorboard,所以需要轉成numpy。

然后我們定義我們本文最重要的函數 visualisation（），代碼如下：

LOG_DIR = 'log' SPRITE_FILE = 'sprite.jpg' META_FIEL = 'meta.tsv' TENSOR_NAME = "zw" TRAINING_STEPS = 10def visualisation(final_result):# 使用一個新的變量來保存最終輸出層向量的結果，因為embedding是通過Tensorflow中變量完成的，所以PROJECTOR可視化的都是TensorFlow中的變哇。# 所以這里需要新定義一個變量來保存輸出層向量的取值y = tf.Variable(final_result, name=TENSOR_NAME)summary_writer = tf.summary.FileWriter(LOG_DIR)# 通過project.ProjectorConfig類來幫助生成日志文件config = projector.ProjectorConfig()# 增加一個需要可視化的bedding結果embedding = config.embeddings.add()# 指定這個embedding結果所對應的Tensorflow變量名稱embedding.tensor_name = y.name# Specify where you find the metadata# 指定embedding結果所對應的原始數據信息。比如這里指定的就是每一張MNIST測試圖片對應的真實類別。在單詞向量中可以是單詞ID對應的單詞。# 這個文件是可選的，如果沒有指定那么向量就沒有標簽。# embedding.metadata_path = META_FIELembedding.metadata_path = 'meta.tsv'# Specify where you find the sprite (we will create this later)# 指定sprite 圖像。這個也是可選的，如果沒有提供sprite 圖像，那么可視化的結果# 每一個點就是一個小困點，而不是具體的圖片。# embedding.sprite.image_path = SPRITE_FILEembedding.sprite.image_path = 'sprite.jpg'# 在提供sprite圖像時，通過single_image_dim可以指定單張圖片的大小。# 這將用于從sprite圖像中截取正確的原始圖片。embedding.sprite.single_image_dim.extend([128, 128])# Say that you want to visualise the embeddings# 將PROJECTOR所需要的內容寫入日志文件。projector.visualize_embeddings(summary_writer, config)# 生成會話，初始化新聲明的變量并將需要的日志信息寫入文件。sess = tf.InteractiveSession()sess.run(tf.global_variables_initializer())saver = tf.train.Saver()saver.save(sess, os.path.join(LOG_DIR, "model"), TRAINING_STEPS)sess.close()summary_writer.close()

需要注意的是圖片的大小和上述第三部分定義的圖片大小應當一致！

然后接著上面，將final_result輸入到函數visualisation中，即可完成log日志的生成！

visualisation(final_result)

log文件下的內容如下：

其中projector_config.pbtxt文件中的內容為

包含了各成員對應的關系

到最后，我們打開命令行CMD:

輸入

tensorboard --logdir=E:Deep_learning_PytorchVideo_recognitionAccident_RecognitionCNN_LSTMlog --host=127.0.0.1

這里，一定注意--host！一定注意--host！一定注意--host！（重要的說三遍）

因為如果不輸入--host,選擇默認，那去網頁上就是打不開的！就算打開了，也沒有標簽文件和圖片數據的，這是花了我一個晚上血淋淋的教訓呀！

5.總結

關于如何快速上手Tensorboard的高維向量可視化，本篇文章算是比較詳細了！算是我一晚上的工作經驗吧！終于可以安心做其他事了！

總結

以上是生活随笔為你收集整理的tensorflow生成图片标签_Tensorboard高维向量可视化 + 解决标签和图片不显示BUG的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。