JupyterでTensorFlowグラフを視覚化する簡単な方法は？
TensorFlowグラフを視覚化する公式の方法はTensorBoardを使用することですが、Jupyterで作業しているときにグラフを簡単に見たい場合があります。
理想的にはTensorFlowツール、または標準のSciPyパッケージ（matplotlibなど）に基づいた、ただし必要に応じてサードパーティライブラリに基づいた、迅速なソリューションはありますか？
TensorFlow 2.0は、マジックコマンド（%tensorboard --logdir logs/trainなど）を介して、TensorBoardinJupyterをサポートするようになりました。チュートリアルと例への link です。
[EDITS 1、2]
@MiniQuarkがコメントで言及したように、最初に拡張機能をロードする必要があります（%load_ext tensorboard.notebook）。
以下は、graph mode、@tf.function、およびtf.keras（in tensorflow==2.0.0-alpha0）：
1. TF2でgraph modeを使用する例（tf.compat.v1.disable_eager_execution()経由）
%load_ext tensorboard.notebook
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
from tensorflow.python.ops.array_ops import placeholder
from tensorflow.python.training.gradient_descent import GradientDescentOptimizer
from tensorflow.python.summary.writer.writer import FileWriter
with tf.name_scope('inputs'):
x = placeholder(tf.float32, shape=[None, 2], name='x')
y = placeholder(tf.int32, shape=[None], name='y')
with tf.name_scope('logits'):
layer = tf.keras.layers.Dense(units=2)
logits = layer(x)
with tf.name_scope('loss'):
xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)
loss_op = tf.reduce_mean(xentropy)
with tf.name_scope('optimizer'):
optimizer = GradientDescentOptimizer(0.01)
train_op = optimizer.minimize(loss_op)
FileWriter('logs/train', graph=train_op.graph).close()
%tensorboard --logdir logs/train
2.上記と同じ例ですが、@tf.functionデコレーターを使用して、前方および後方パスに、積極的な実行を無効にせずに：
%load_ext tensorboard.notebook
import tensorflow as tf
import numpy as np
logdir = 'logs/'
writer = tf.summary.create_file_writer(logdir)
tf.summary.trace_on(graph=True, profiler=True)
@tf.function
def forward_and_backward(x, y, w, b, lr=tf.constant(0.01)):
with tf.name_scope('logits'):
logits = tf.matmul(x, w) + b
with tf.name_scope('loss'):
loss_fn = tf.nn.sparse_softmax_cross_entropy_with_logits(
labels=y, logits=logits)
reduced = tf.reduce_sum(loss_fn)
with tf.name_scope('optimizer'):
grads = tf.gradients(reduced, [w, b])
_ = [x.assign(x - g*lr) for g, x in Zip(grads, [w, b])]
return reduced
# inputs
x = tf.convert_to_tensor(np.ones([1, 2]), dtype=tf.float32)
y = tf.convert_to_tensor(np.array([1]))
# params
w = tf.Variable(tf.random.normal([2, 2]), dtype=tf.float32)
b = tf.Variable(tf.zeros([1, 2]), dtype=tf.float32)
loss_val = forward_and_backward(x, y, w, b)
with writer.as_default():
tf.summary.trace_export(
name='NN',
step=0,
profiler_outdir=logdir)
%tensorboard --logdir logs/
3. tf.keras APIの使用：
%load_ext tensorboard.notebook
import tensorflow as tf
import numpy as np
x_train = [np.ones((1, 2))]
y_train = [np.ones(1)]
model = tf.keras.models.Sequential([tf.keras.layers.Dense(2, input_shape=(2, ))])
model.compile(
optimizer='sgd',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
logdir = "logs/"
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=logdir)
model.fit(x_train,
y_train,
batch_size=1,
epochs=1,
callbacks=[tensorboard_callback])
%tensorboard --logdir logs/
これらの例では、セルの下に次のようなものが生成されます。
これは、Alex Mordvintsevの深い夢の1つからコピーしたレシピです notebook ある時点で
from IPython.display import clear_output, Image, display, HTML
import numpy as np
def strip_consts(graph_def, max_const_size=32):
"""Strip large constant values from graph_def."""
strip_def = tf.GraphDef()
for n0 in graph_def.node:
n = strip_def.node.add()
n.MergeFrom(n0)
if n.op == 'Const':
tensor = n.attr['value'].tensor
size = len(tensor.tensor_content)
if size > max_const_size:
tensor.tensor_content = "<stripped %d bytes>"%size
return strip_def
def show_graph(graph_def, max_const_size=32):
"""Visualize TensorFlow graph."""
if hasattr(graph_def, 'as_graph_def'):
graph_def = graph_def.as_graph_def()
strip_def = strip_consts(graph_def, max_const_size=max_const_size)
code = """
<script>
function load() {{
document.getElementById("{id}").pbtxt = {data};
}}
</script>
<link rel="import" href="https://tensorboard.appspot.com/tf-graph-basic.build.html" onload=load()>
<div style="height:600px">
<tf-graph-basic id="{id}"></tf-graph-basic>
</div>
""".format(data=repr(str(strip_def)), id='graph'+str(np.random.Rand()))
iframe = """
<iframe seamless style="width:1200px;height:620px;border:0" srcdoc="{}"></iframe>
""".format(code.replace('"', '"'))
display(HTML(iframe))
次に、現在のグラフを視覚化する
show_graph(tf.get_default_graph().as_graph_def())
グラフがpbtxtとして保存されている場合は、次のようにします
gdef = tf.GraphDef()
from google.protobuf import text_format
text_format.Merge(open("tf_persistent.pbtxt").read(), gdef)
show_graph(gdef)
このようなものが表示されます
テンソルボード統合用のJupyter拡張機能を作成しました。できる：
- Jupyterのボタンをクリックするだけでテンソルボードを開始
- 複数のテンソルボードインスタンスを管理します。
- Jupyterインターフェースとのシームレスな統合。
私は、jupyterノートブックからテンソルボードを起動する簡単なヘルパーを作成しました。この関数をノートブックの上部のどこかに追加するだけです
def TB(cleanup=False):
import webbrowser
webbrowser.open('http://127.0.1.1:6006')
!tensorboard --logdir="logs"
if cleanup:
!rm -R logs/
そして、サマリーを生成するたびにそれをTB()実行します。同じjupyterウィンドウでグラフを開く代わりに、次のことを行います。
- テンソルボードを開始します
- テンソルボードで新しいタブを開きます
- このタブに移動します
探索が終了したら、タブをクリックして、カーネルの中断を停止します。ログディレクトリをクリーンアップする場合は、実行後にTB(1)を実行します
この視覚化のTensorboard/iframes無料バージョンは、明らかに乱雑になります
import pydot
from itertools import chain
def tf_graph_to_dot(in_graph):
dot = pydot.Dot()
dot.set('rankdir', 'LR')
dot.set('concentrate', True)
dot.set_node_defaults(shape='record')
all_ops = in_graph.get_operations()
all_tens_dict = {k: i for i,k in enumerate(set(chain(*[c_op.outputs for c_op in all_ops])))}
for c_node in all_tens_dict.keys():
node = pydot.Node(c_node.name)#, label=label)
dot.add_node(node)
for c_op in all_ops:
for c_output in c_op.outputs:
for c_input in c_op.inputs:
dot.add_Edge(pydot.Edge(c_input.name, c_output.name))
return dot
その後に続くことができます
from IPython.display import SVG
# Define model
tf_graph_to_dot(graph).write_svg('simple_tf.svg')
SVG('simple_tf.svg')
グラフを静的SVGファイルのレコードとしてレンダリングするには 
コード
def tb(logdir="logs", port=6006, open_tab=True, sleep=2):
import subprocess
proc = subprocess.Popen(
"tensorboard --logdir={0} --port={1}".format(logdir, port), Shell=True)
if open_tab:
import time
time.sleep(sleep)
import webbrowser
webbrowser.open("http://127.0.0.1:{}/".format(port))
return proc
使用法
tb() # Starts a TensorBoard server on the logs directory, on port 6006
# and opens a new tab in your browser to use it.
tb("logs2", 6007) # Starts a second server on the logs2 directory, on port 6007,
# and opens a new tab to use it.
サーバーを起動してもJupyterがブロックされることはありません（サーバーがタブを開く前に起動する時間を確保するための2秒を除く）。カーネルを中断すると、すべてのTensorBoardサーバーが停止します。
高度な使用法
さらに制御したい場合は、次のようにプログラムでサーバーを強制終了できます。
server1 = tb()
server2 = tb("logs2", 6007)
# and later...
server1.kill() # stops the first server
server2.kill() # stops the second server
新しいタブを開きたくない場合は、open_tab=Falseを設定できます。システムで2秒が長すぎるか十分でない場合は、sleepを他の値に設定することもできます。
TensorBoardの実行中にJupyterを一時停止する場合、任意のサーバーのwait()メソッドを呼び出すことができます。これにより、カーネルを中断するまでJupyterがブロックされ、このサーバーと他のすべてのサーバーが停止します。
server1.wait()
前提条件
このソリューションは、TensorBoardをインストールして（たとえば、pip install tensorboardを使用）、Jupyterを起動した環境で使用できることを前提としています。
謝辞
この回答は、@ SalvadorDaliの回答に触発されました。彼の解決策は素晴らしくシンプルですが、Jupyterをブロックすることなく複数のテンソルボードインスタンスを起動できるようにしたかったのです。また、ログディレクトリを削除しないことを好みます。代わりに、ルートログディレクトリでtensorboardを起動し、各TensorFlowは異なるサブディレクトリでログを実行します。
<img src="https://www.tensorflow.org/images/graph_vis_animation.gif" width=1300 height=680>