tensorboard中projector的使用

from tensorflow.contrib.tensorboard.plugins import projector

import cv2

1.首先要定义embedding varibles，也就是你要可视化的数据，以mnist为例，就是可视化test数据集中前2500个数据(必要)：

show_num=2500

embedding_var = tf.Variable(tf.stack(mnist.test.images[:show_num]), trainable=False, name='embedding_var')

2.然后创建label文件，可以是csv，也可以是tsv文件，下面是我写的一个函数，same_file是创建文件的位置，labels就是你需要可视化数据集中的labels(可选)：

def create_metadata_file(same_file, labels):

    with open(file, 'w')as f:

        f.write('Index' +'\t' +'Label' +'\n')

        for i in range(show_num):

            f.write(str(i) +'\t' +str(labels[i]) +'\n')

    print('labels.tsv文件创建完成！')

3.也可以创建sprite.image_data数据，下面是函数，创建出来的图片如sprite_image.jpg所示(可选)：

def create_sprite_data(same_file, images, show_num, single_image_shape=(28,28)):

    n_plots =int(np.ceil(np.sqrt(show_num)))

    sprite_image = np.zeros([n_plots*single_image_shape[0], n_plots*single_image_shape[1]])

    num =0

    flag =0

    for i in range(n_plots):

        y1 = i*single_image_shape[1]

        y2 = y1 + single_image_shape[1]

            for j in range(n_plots):

                x1 = j*single_image_shape[0]

                x2 = x1 + single_image_shape[0]

                sprite_image[x1:x2, y1:y2] = 1 - images[num].reshape(single_image_shape)

                num +=1

            if num > images.shape[0]:

                flag =1

                break

        if flag:

            break

    cv2.imwrite(file, sprite_image*255)

    print('sprite_image创建完成！')

sprite_image.jpg

4.建立config（必要）：

#下面基本是projector的固定操作

config= projector.ProjectorConfig()

embedding =config.embeddings.add()

#将需要可视化的变量与embedding绑定

embedding.tensor_name = embedding_var.name

#指定embedding每个点对应的标签信息

#这个是可选的，没有指定就没有标签信息（所以还是有必要添加的，否则最后可视化的结果只有一种颜色）

embedding.metadata_path = meta_file

#指定embedding每个点对应的图像

#这个文件也是可选的，没有指定就显示一个圆点

embedding.sprite.image_path = sprite_file

#指定sprite图中单张图片的大小，下面是mnist中的图片大小

embedding.sprite.single_image_dim.extend([28,28])

projector.visualize_embeddings(tf.summary.FileWriter(same_file), config)

6.创建saver（必要）:

saver= tf.train.Saver(tf.global_variables())

saver.save(sess, same_file)

注：上面的路径最好放在同一文件夹下，否则可能出现projector可视化图中不能显示labels的情况。上面标了(必要)的步骤都是使用该API必须的操作，只需要记住就好了。

最后的结果可以在tensorboard下面的projector中看到。（因为我主要为了显示最后的可视化结果，没有将模型训练的很好，所以看起来这些个点聚类的并不是那么好！）

image.png