了解TensorBoard（权重）直方图

在TensorBoard中查看和理解标量值确实非常简单。但是，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。

（在通过sunside修复错误后） 解释这些的最佳方法是什么？第1层的权重看起来基本上是平坦的，这意味着什么？

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)

看来网络没有在第一到第三层学到任何东西。最后一层确实发生了变化，这意味着渐变可能有问题（如果您手动进行了篡改），则只能通过优化权重或最后一层来限制学习到最后一层，吞噬所有的错误。也可能是只有偏见才被发现。虽然网络似乎在学习一些东西，但它可能没有充分利用其潜力。这里需要更多的上下文，但是尝试学习率（例如使用较小的上下文）可能值得一试。

通常，直方图显示一个值相对于其他值的出现次数。简而言之，如果可能的值在的范围内，0..9并且您看到数量的峰值10该值0，则表示有10个输入采用该值0；与此相反，如果直方图显示的高原1对的所有值0..9，就意味着对于10个输入，每个可能值0..9发生正好一次。当您通过直方图的总和对所有直方图值进行归一化时，也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）。

现在layer1/weights，高原意味着：

• 大多数权重在-0.15到0.15的范围内
• （几乎）权重具有这些值中的任何一个（即，它们（几乎）均匀分布）

换句话说，几乎相同数量的权重具有值-0.15，0.0，0.15以及两者之间的一切。有些权重的值会稍小或高一些。简而言之，这看起来只是权重已使用均值为零且取值范围为-0.15..0.15... 的均匀分布进行了初始化。如果确实使用统一初始化，则这在尚未训练网络时很典型。

相比之下，layer1/activations形成类似钟形曲线（高斯）的形状：在这种情况下0，值以特定值为中心，但也可能大于或小于该值（由于对称，因此也可能更大或更小）。大多数值似乎在的平均值附近0，但值的范围从-0.8到0.8。我假设layer1/activations将当作批次中所有层输出的分布。您可以看到这些值确实会随着时间而变化。

第4层直方图没有告诉我任何具体信息。从形状上，它只是显示周围一些重量值-0.1，0.05并且0.25倾向于以较高的概率发生；原因可能是，每个神经元的不同部分实际上接收相同的信息，并且基本上是多余的。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功能，以防止过度拟合。这些只是假设。

同样，如下面的评论中所述，请添加偏差单位。通过将它们排除在外，您正在将网络强制约束到可能无效的解决方案。