基于TensorBoard中graph模块图结构分析

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_function
import numpy as np
import tensorflow as tf

# 创建图和Session
graph = 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。

来源：https://blog.csdn.net/steveyg/article/details/82993816