今天来看 TensorBoard 的一个内置的可视化工具 Embedding Projector, 是个交互式的可视化，可用来分析诸如 embeddings 的高维数据。
embedding projector 将从你的 checkpoint 文件中读取 embeddings。
默认情况下，embedding projector 会用 PCA 主成分分析方法将高维数据投影到 3D 空间, 还有一种投影方法是 T-SNE。

主要就是通过3步来实现这个可视化:

1. Setup a 2D tensor that holds your embedding(s).

embedding_var = tf.Variable(....)

1. Periodically save your model variables in a checkpoint in LOG_DIR.

saver = tf.train.Saver()
saver.save(session, os.path.join(LOG_DIR, "model.ckpt"), step)

1. (Optional) Associate metadata with your embedding.

本节官方教程没有给出完整的例子，这里用 MNIST 举一个简单的例子。

1. 引入 projector，data，定义 path：

%matplotlib inlineimport matplotlib.pyplot as pltimport tensorflow as tfimport numpy as npimport osfrom tensorflow.contrib.tensorboard.plugins import projectorfrom tensorflow.examples.tutorials.mnist import input_data

LOG_DIR = 'minimalsample'NAME_TO_VISUALISE_VARIABLE = "mnistembedding"TO_EMBED_COUNT = 500path_for_mnist_sprites =  os.path.join(LOG_DIR,'mnistdigits.png')
path_for_mnist_metadata =  os.path.join(LOG_DIR,'metadata.tsv')

mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)
batch_xs, batch_ys = mnist.train.next_batch(TO_EMBED_COUNT)

2. 建立 embeddings，也就是前面的第一步，最主要的就是你要知道想可视化查看的 variable 的名字：

embedding_var = tf.Variable(batch_xs, name=NAME_TO_VISUALISE_VARIABLE)
summary_writer = tf.summary.FileWriter(LOG_DIR)

3. 建立 embedding projectorc：
这一步很重要，要指定想要可视化的 variable，metadata 文件的位置

config = projector.ProjectorConfig()
embedding = config.embeddings.add()
embedding.tensor_name = embedding_var.name# Specify where you find the metadataembedding.metadata_path = path_for_mnist_metadata #'metadata.tsv'# Specify where you find the sprite (we will create this later)embedding.sprite.image_path = path_for_mnist_sprites #'mnistdigits.png'embedding.sprite.single_image_dim.extend([28,28])# Say that you want to visualise the embeddingsprojector.visualize_embeddings(summary_writer, config)

4. 保存，即上面第二步：
Tensorboard 会从保存的图形中加载保存的变量，所以初始化 session 和变量，并将其保存在 logdir 中，

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
saver.save(sess, os.path.join(LOG_DIR, "model.ckpt"), 1)

5. 定义 helper functions：

• **create_sprite_image:** 将 sprits 整齐地对齐在方形画布上

• **vector_to_matrix_mnist:** 将 MNIST 的 vector 数据形式转化为 images

• **invert_grayscale: **将黑背景变为白背景

def create_sprite_image(images):
    """Returns a sprite image consisting of images passed as argument. Images should be count x width x height"""
    if isinstance(images, list):
        images = np.array(images)
    img_h = images.shape[1]
    img_w = images.shape[2]
    n_plots = int(np.ceil(np.sqrt(images.shape[0])))
    
    
    spriteimage = np.ones((img_h * n_plots ,img_w * n_plots ))    
    for i in range(n_plots):        for j in range(n_plots):
            this_filter = i * n_plots + j            if this_filter 
6. 保存 sprite image：
将 vector 转换为 images，反转灰度，并创建并保存 sprite image。
to_visualise = batch_xs
to_visualise = vector_to_matrix_mnist(to_visualise)
to_visualise = invert_grayscale(to_visualise)

sprite_image = create_sprite_image(to_visualise)

plt.imsave(path_for_mnist_sprites,sprite_image,cmap='gray')
plt.imshow(sprite_image,cmap='gray')
7. 保存 metadata：
将数据写入 metadata，因为如果想在可视化时看到不同数字用不同颜色表示，需要知道每个 image 的标签，在这个 metadata 文件中有这样两列："Index" , "Label"
with open(path_for_mnist_metadata,'w') as f:
    f.write("IndextLabeln")    for index,label in enumerate(batch_ys):
        f.write("%dt%dn" % (index,label))
8. 执行：
我是用 jupyter notebook 写的，执行前面的代码后，会在当前 ipynb 所在文件夹下生成一个 minimalsample 文件夹，
要打开 tensorboard ，需要在终端执行：
$ tensorboard --logdir=YOUR FOLDER/minimalsample
9. 然后在 embeddings 中可以看到图了：
如果提示了 metadata.tsv is not a file 这个错误，
那么，去 minimalsample 文件夹下会找到一个 projector_config.pbtxt 文件，把里面的 metadata_path: 和 image_path: 改为你的 metadata.tsv 和 mnistdigits.png 所在的绝对路径。