运行TensorFlow MNIST CNN示例后TensorBoard出现异常图表的问题

嘿，我来帮你拆解这个TensorBoard里的奇怪图表问题～

一、这个长名字图表到底是什么意思？ #

这个看起来乱糟糟的指标，其实是TensorFlow为输入数据队列自动生成的填充率监控。具体来说：

• random_shuffle_queue是你训练代码里用来打乱MNIST数据的队列，目的是让模型每次拿到的训练数据都是随机的，避免过拟合；
• fraction_over_250_of_1000_full里的1000是队列的总容量，250是队列最少要保留的数据量，这个指标就是看当前队列里已有的数据量占总容量的比例。

简单说，它是用来帮你判断数据输入速度能不能跟上模型训练速度的：

• 如果数值一直很低，说明数据读取/预处理的速度太慢，模型经常在“等数据”，训练效率会打折扣；
• 如果数值接近1，说明队列一直是满的，数据供给充足，模型可以一直高效训练。

二、怎么把它从TensorBoard里移除？ #

有两种实用的方法，看你更倾向哪种：

方法1：启动TensorBoard时直接过滤 #

在启动TensorBoard的命令里，用--tag_filter参数排除这个指标，比如：

tensorboard --logdir=./your_log_directory --tag_filter="-enqueue_input/queue/enqueue_input/random_shuffle_queuefraction_over_250_of_1000_ful"

注意标签名要和你看到的完全一致，开头的-代表“排除”这个标签。

方法2：在代码里禁用自动监控 #

找到你代码中构建random_shuffle_queue的部分（一般是用tf.train.shuffle_batch这类API），添加summary_name=None参数，告诉TensorFlow不要为这个队列生成监控摘要：

# 假设原来的代码是这样的
batch_images, batch_labels = tf.train.shuffle_batch(
    [processed_image, label],
    batch_size=64,
    num_threads=2,
    capacity=1000,
    min_after_dequeue=250)

# 修改成这样，添加summary_name=None
batch_images, batch_labels = tf.train.shuffle_batch(
    [processed_image, label],
    batch_size=64,
    num_threads=2,
    capacity=1000,
    min_after_dequeue=250,
    summary_name=None)

重新训练后，TensorBoard里就不会出现这个图表了。

三、相关的后续问题提醒 #

1. 别忽略数据管道的效率：如果这个指标一直偏低，说明你的数据读取/预处理环节是训练的瓶颈。可以试试增加预处理线程数（num_threads参数）、把MNIST数据转成TFRecord格式（比直接读图片文件快很多），或者做数据预加载。
2. 这个指标其实有用：虽然它看起来很烦人，但如果你的训练速度突然变慢，先看这个指标就能快速判断是不是数据供给出了问题，不用瞎猜模型的问题。
3. 其他自动生成的监控：TensorFlow还会自动生成一些系统级的监控（比如内存、线程状态），如果觉得TensorBoard太乱，都可以用类似的方法过滤或者在代码里禁用。

内容的提问来源于stack exchange，提问作者sam48