在上一篇文章中，我们介绍了如何使用源码对TensorBoard进行编译教程，没有定制需求的可以直接使用pip进行安装。

TensorBoard中的graph是一种计算图，里面的点用于表示Tensor本身或者运算符，图中的边则代表Tensor的流动或者控制关系。

本文主要从代码的层面，分析graph的数据来源与结构。

一般来说，我们在启动TensorBoard的时候会使用--logdir参数配置文件路径（或者设置数据库位置），这些日志文件为TensorBoard提供了数据。于是我们打开一个日志文件，查看里面的内容

我们看到，文件是通过二进制展示的，因此无法直接读取文件的内容。

回到浏览器中，进入graph页面，通过开发者工具发现，构造图的时候调用了一个接口

http://localhost:6006/data/plugin/graphs/graph?large_attrs_key=_too_large_attrs&limit_attr_size=1024&run=task1

用浏览器打开这个地址，看到以下内容

node { name: "Input/X" op: "Placeholder" attr { key: "_output_shapes" value { list { shape { unknown_rank: true } } } } attr { key: "dtype" value { type: DT_FLOAT } } attr { key: "shape" value { shape { unknown_rank: true } } }}...

每个node都能够与图中的一个节点相对应，因此我们可以确定，这个接口里返回的node，就是构成图所需要的数据结构。

那么，TensorBoard是如何将日志文件转化为图的呢？

TesnorBoard中的每个模块都是以plugin存在的，我们进入tensorboard/plugin/graph/graphs_plungin.py，在这个文件中定义了graph相关的接口

def get_plugin_apps(self): return { '/graph': self.graph_route, '/runs': self.runs_route, '/run_metadata': self.run_metadata_route, '/run_metadata_tags': self.run_metadata_tags_route, }

我们可以看到，‘/graph'这个接口返回值为self.graph_route，在这个文件中搜索graph_route方法

@wrappers.Request.application def graph_route(self, request): """Given a single run, return the graph definition in protobuf format.""" run = request.args.get('run') if run is None: return http_util.Respond( request, 'query parameter "run" is required', 'text/plain', 400) limit_attr_size = request.args.get('limit_attr_size', None) if limit_attr_size is not None: try: limit_attr_size = int(limit_attr_size) except ValueError: return http_util.Respond( request, 'query parameter `limit_attr_size` must be an integer', 'text/plain', 400) large_attrs_key = request.args.get('large_attrs_key', None) try: result = self.graph_impl(run, limit_attr_size, large_attrs_key) except ValueError as e: return http_util.Respond(request, e.message, 'text/plain', code=400) else: if result is not None: (body, mime_type) = result # pylint: disable=unpacking-non-sequence return http_util.Respond(request, body, mime_type) else: return http_util.Respond(request, '404 Not Found', 'text/plain', code=404)

在这个方法中，分别取了“run”,”limit_attr_size“和“large_attrs_key”三个参数，和前面url所调用的参数一致，说明这个是我们要找的方法。在方法的最后，调用了self.graph_impl生成了图，我们继续查看这个方法

def graph_impl(self, run, limit_attr_size=None, large_attrs_key=None): """Result of the form `(body, mime_type)`, or `None` if no graph exists.""" try: graph = self._multiplexer.Graph(run) except ValueError: return None # This next line might raise a ValueError if the limit parameters # are invalid (size is negative, size present but key absent, etc.). process_graph.prepare_graph_for_ui(graph, limit_attr_size, large_attrs_key) return (str(graph), 'text/x-protobuf') # pbtxt

这个方法调用了self._multiplexer.Graph(run)生成图。_multiplexer是一个event_multiplexer实例，在graph_plugln初始化时通过base_plaugin.TBContext获得。

def __init__(self, context): """Instantiates GraphsPlugin via TensorBoard core. Args: context: A base_plugin.TBContext instance. """ self._multiplexer = context.multiplexer

进入tensorboard/backend/event_processing/event_multiplexer，找到Graph方法

def Graph(self, run): """Retrieve the graph associated with the provided run. Args: run: A string name of a run to load the graph for. Raises: KeyError: If the run is not found. ValueError: If the run does not have an associated graph. Returns: The `GraphDef` protobuf data structure. """ accumulator = self.GetAccumulator(run) return accumulator.Graph() def GetAccumulator(self, run): """Returns EventAccumulator for a given run. Args: run: String name of run. Returns: An EventAccumulator object. Raises: KeyError: If run does not exist. """ with self._accumulators_mutex: return self._accumulators[run]

Graph方法获取了run对应的accumulator实例，并返回了这个实例的Graph方法的返回值。我们进入tensorboard/backend/event_processing/event_accumulator，找到Graph()方法

def Graph(self): """Return the graph definition, if there is one. If the graph is stored directly, return that. If no graph is stored directly but a metagraph is stored containing a graph, return that. Raises: ValueError: If there is no graph for this run. Returns: The `graph_def` proto. """ graph = tf.GraphDef() if self._graph is not None: graph.ParseFromString(self._graph) return graph raise ValueError('There is no graph in this EventAccumulator')

事实上，它返回了一个GraphDef图，因此我们也可以通过将日志转换为GraphDef的方式读取日志。

# 导入要用到的基本模块。为了在python2、python3 中可以使用E侣兼容的 print 函数from __future__ import print_functionimport numpy as npimport tensorflow as tf # 创建图和Sessiongraph = tf.Graph()sess = tf.InteractiveSession(graph=graph) #日志路径model_fn = '/log/events.out.tfevents.1535957014.ubuntu' for e in tf.train.summary_iterator(model_fn): if e.HasField('graph_def'): graph = e.graph_def; graph_def = tf.GraphDef() graph_def.ParseFromString(graph) print(graph_def)

我们新建一个python文件，修改日志路径为自己的日志位置，便可以得到与TensorBoard相同的内容。

以上这篇基于TensorBoard中graph模块图结构分析就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。