了解 TensorBoard（权重）直方图

在 TensorBoard 中查看和理解标量值非常简单。然而，目前尚不清楚如何理解直方图。

例如，它们是我的网络权重的直方图。

(After fixing a bug thanks to sunside) What is the best way to interpret these? Layer 1 weights look mostly flat, what does this mean?

我在这里添加了网络构建代码。

X = tf.placeholder(tf.float32, [None, input_size], name="input_x")
x_image = tf.reshape(X, [-1, 6, 10, 1])
tf.summary.image('input', x_image, 4)

# First layer of weights
with tf.name_scope("layer1"):
    W1 = tf.get_variable("W1", shape=[input_size, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer1 = tf.matmul(X, W1)
    layer1_act = tf.nn.tanh(layer1)
    tf.summary.histogram("weights", W1)
    tf.summary.histogram("layer", layer1)
    tf.summary.histogram("activations", layer1_act)

# Second layer of weights
with tf.name_scope("layer2"):
    W2 = tf.get_variable("W2", shape=[hidden_layer_neurons, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer2 = tf.matmul(layer1_act, W2)
    layer2_act = tf.nn.tanh(layer2)
    tf.summary.histogram("weights", W2)
    tf.summary.histogram("layer", layer2)
    tf.summary.histogram("activations", layer2_act)

# Third layer of weights
with tf.name_scope("layer3"):
    W3 = tf.get_variable("W3", shape=[hidden_layer_neurons, hidden_layer_neurons],
                         initializer=tf.contrib.layers.xavier_initializer())
    layer3 = tf.matmul(layer2_act, W3)
    layer3_act = tf.nn.tanh(layer3)

    tf.summary.histogram("weights", W3)
    tf.summary.histogram("layer", layer3)
    tf.summary.histogram("activations", layer3_act)

# Fourth layer of weights
with tf.name_scope("layer4"):
    W4 = tf.get_variable("W4", shape=[hidden_layer_neurons, output_size],
                         initializer=tf.contrib.layers.xavier_initializer())
    Qpred = tf.nn.softmax(tf.matmul(layer3_act, W4)) # Bug fixed: Qpred = tf.nn.softmax(tf.matmul(layer3, W4))
    tf.summary.histogram("weights", W4)
    tf.summary.histogram("Qpred", Qpred)

# We need to define the parts of the network needed for learning a policy
Y = tf.placeholder(tf.float32, [None, output_size], name="input_y")
advantages = tf.placeholder(tf.float32, name="reward_signal")

# Loss function
# Sum (Ai*logp(yi|xi))
log_lik = -Y * tf.log(Qpred)
loss = tf.reduce_mean(tf.reduce_sum(log_lik * advantages, axis=1))
tf.summary.scalar("Q", tf.reduce_mean(Qpred))
tf.summary.scalar("Y", tf.reduce_mean(Y))
tf.summary.scalar("log_likelihood", tf.reduce_mean(log_lik))
tf.summary.scalar("loss", loss)

# Learning
train = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

看起来网络在第一层到第三层中没有学到任何东西。最后一层确实发生了变化，因此这意味着梯度可能有问题（如果您手动篡改它们），您通过仅优化其权重来限制对最后一层的学习，或者实际上最后一层'吃掉所有错误。也可能只学到了偏见。虽然网络似乎学到了一些东西，但它可能没有充分发挥其潜力。这里需要更多的背景信息，但是调整学习率（例如使用较小的学习率）可能值得一试。

一般来说，直方图显示某个值相对于其他值出现的次数。简单来说，如果可能的值在一个范围内0..9你会看到金额激增10关于价值0，这意味着 10 个输入假设值0;相反，如果直方图显示稳定期1对于所有值0..9，这意味着对于 10 个输入，每个可能的值0..9 occurs exactly一次。 当您通过总和对所有直方图值进行归一化时，您还可以使用直方图来可视化概率分布；如果这样做，您将直观地获得某个值（在 x 轴上）出现的可能性（与其他输入相比）。

Now for layer1/weights，平台期意味着：

• 大多数权重在-0.15到0.15范围内
• 权重具有这些值中的任何一个的可能性（大部分）相同，即它们（几乎）均匀分布

换句话说，几乎相同数量的权重具有这些值-0.15, 0.0, 0.15以及介于两者之间的一切。有些权重的值稍小或稍高。 简而言之，这看起来就像使用均值和值范围为零的均匀分布来初始化权重-0.15..0.15...给予或索取。如果您确实使用统一初始化，那么当网络尚未经过训练时，这是典型的情况。

相比下，layer1/activations形成类似钟形曲线（高斯）的形状：在本例中，值以特定值为中心0，但它们也可能大于或小于该值（同样可能，因为它是对称的）。大多数值都接近平均值0，但值的范围确实是-0.8 to 0.8。 我假设layer1/activations被视为批次中所有层输出的分布。您可以看到这些值确实随着时间的推移而变化。

第 4 层直方图没有告诉我任何具体信息。从形状来看，它只是显示了一些重量值-0.1, 0.05 and 0.25发生的概率较高；一个原因could也就是说，每个神经元的不同部分实际上获取相同的信息并且基本上是冗余的。这可能意味着您实际上可以使用较小的网络，或者您的网络有可能学习更多的区别特征以防止过度拟合。但这些只是假设。

另外，正如下面的评论中已经指出的，请添加偏差单位。通过忽略它们，您将强制将您的网络限制为可能无效的解决方案。