我正在寻找一个张量板嵌入示例，其中包含虹膜数据，例如嵌入投影仪http://projector.tensorflow.org/
但不幸的是，我找不到。只需在https://www.tensorflow.org/how_tos/embedding_viz/中提供一些有关如何操作的信息@
有人知道这个功能的基本教程吗？
基础知识：
1) 设置一个二维张量变量来保存您的嵌入。
embedding_var = tf.Variable(....)
2) 定期将嵌入保存在 LOG_DIR 中。
3) 将元数据与您的嵌入相关联。
【问题讨论】：
标签： tensorflow embedding tensorboard
我已将 FastText's pre-trained word vectors 与 TensorBoard 一起使用。
import os
import tensorflow as tf
import numpy as np
import fasttext
from tensorflow.contrib.tensorboard.plugins import projector
# load model
word2vec = fasttext.load_model('wiki.en.bin')
# create a list of vectors
embedding = np.empty((len(word2vec.words), word2vec.dim), dtype=np.float32)
for i, word in enumerate(word2vec.words):
embedding[i] = word2vec[word]
# setup a TensorFlow session
tf.reset_default_graph()
sess = tf.InteractiveSession()
X = tf.Variable([0.0], name='embedding')
place = tf.placeholder(tf.float32, shape=embedding.shape)
set_x = tf.assign(X, place, validate_shape=False)
sess.run(tf.global_variables_initializer())
sess.run(set_x, feed_dict={place: embedding})
# write labels
with open('log/metadata.tsv', 'w') as f:
for word in word2vec.words:
f.write(word + '\n')
# create a TensorFlow summary writer
summary_writer = tf.summary.FileWriter('log', sess.graph)
config = projector.ProjectorConfig()
embedding_conf = config.embeddings.add()
embedding_conf.tensor_name = 'embedding:0'
embedding_conf.metadata_path = os.path.join('log', 'metadata.tsv')
projector.visualize_embeddings(summary_writer, config)
# save the model
saver = tf.train.Saver()
saver.save(sess, os.path.join('log', "model.ckpt"))
然后在你的终端中运行这个命令：
tensorboard --logdir=log
【讨论】：
jupyter-tensorboard 以直接从 Jupyter Notebook 调用 tensorboard。
听起来您想获得在 TensorBoard 上运行 t-SNE 的可视化部分。正如您所描述的，Tensorflow 的 API 仅在 how-to document 中提供了最基本的命令。
我已将我的工作解决方案与 MNIST 数据集上传到 my GitHub repo。
是的，一般分为三个步骤：
TensorFlow r0.12 版本仅包含通用细节。我知道官方源代码中没有完整的代码示例。
我发现其中涉及的两个任务未在操作方法中记录。
tf.Variable
虽然 TensorFlow 是为使用 GPU 而设计的，但在这种情况下，我选择使用 CPU 生成 t-SNE 可视化，因为该过程占用的内存比我的 MacBookPro GPU 所能访问的更多。 TensorFlow 包含对 MNIST 数据集的 API 访问，所以我使用了它。 MNIST 数据是一个结构化的 numpy 数组。使用tf.stack 函数可以将此数据集堆叠到张量列表中，张量列表可以嵌入到可视化中。以下代码包含我如何提取数据并设置 TensorFlow 嵌入变量。
with tf.device("/cpu:0"):
embedding = tf.Variable(tf.stack(mnist.test.images[:FLAGS.max_steps], axis=0), trainable=False, name='embedding')
创建元数据文件是通过对 numpy 数组进行切片来执行的。
def save_metadata(file):
with open(file, 'w') as f:
for i in range(FLAGS.max_steps):
c = np.nonzero(mnist.test.labels[::1])[1:][0][i]
f.write('{}\n'.format(c))
要关联的图像文件如操作指南中所述。我已将前 10,000 张 MNIST 图像的 png 文件上传到 my GitHub。
到目前为止，TensorFlow 对我来说非常好用，它的计算速度很快，有据可查，而且对于我目前要做的任何事情，API 似乎功能完整。我期待在来年使用自定义数据集生成更多可视化。这篇文章是从my blog 编辑的。祝你好运，请告诉我进展如何。 :)
【讨论】：
metadata.tsv。
projector_config.pbtxt 文件中的model_checkpoint_path？
查看“Hands-on TensorBoard (TensorFlow Dev Summit 2017)”讲座https://www.youtube.com/watch?v=eBbEDRsCmv4 它演示了 TensorBoard 在 MNIST 数据集上的嵌入。
演讲的示例代码和幻灯片可以在这里找到https://github.com/mamcgrath/TensorBoard-TF-Dev-Summit-Tutorial
【讨论】：
TensorFlow to GitHub 存储库中出现了一个问题：No real code example for using the tensorboard embedding tab #6322 (mirror)。
它包含一些有趣的指针。
如果有兴趣，一些使用 TensorBoard 嵌入来显示字符和单词嵌入的代码： https://github.com/Franck-Dernoncourt/NeuroNER
例子：
仅供参考：How can I select which checkpoint to view in TensorBoard's embeddings tab?
【讨论】：
采用预训练嵌入并将其可视化在 tensorboard 上。
嵌入 -> 训练嵌入
metadata.tsv -> 元数据信息
max_size -> 嵌入.shape[0]
import tensorflow as tf
from tensorflow.contrib.tensorboard.plugins import projector
sess = tf.InteractiveSession()
with tf.device("/cpu:0"):
tf_embedding = tf.Variable(embedding, trainable = False, name = "embedding")
tf.global_variables_initializer().run()
path = "tensorboard"
saver = tf.train.Saver()
writer = tf.summary.FileWriter(path, sess.graph)
config = projector.ProjectorConfig()
embed = config.embeddings.add()
embed.tensor_name = "embedding"
embed.metadata_path = "metadata.tsv"
projector.visualize_embeddings(writer, config)
saver.save(sess, path+'/model.ckpt' , global_step=max_size )
$ tensorboard --logdir="tensorboard" --port=8080
【讨论】：
接受的答案对理解一般顺序非常有帮助：
对我来说，基于 MNIST 的示例仍然过于依赖预训练数据和预生成的 sprite 和元数据文件。为了填补这个空白，我自己创建了一个这样的例子，并决定在这里分享给任何感兴趣的人——代码在GitHub。
【讨论】：
这是官方指南的链接。
https://www.tensorflow.org/versions/r1.1/get_started/embedding_viz
它说它最后一次更新是 2017 年 6 月。
【讨论】：