Tensorflow可视化工具Tensorboard使用方法

时间:2022-12-24 03:49:17

声明:本文转自博主http://blog.csdn.net/jerry81333/article/details/53004903,因为博主写的很简洁易懂,所以转来收藏。如有侵权,请告知删除。


Tensorboard:

如何更直观的观察数据在神经网络中的变化,或是已经构建的神经网络的结构。上一篇文章说到,可以使用matplotlib第三方可视化,来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard,并且能更直观的看见整个神经网络的结构。 Tensorflow可视化工具Tensorboard使用方法
上面的结构图甚至可以展开,变成: Tensorflow可视化工具Tensorboard使用方法

使用:

结构图: [python] view plain copy
  1. with tensorflow .name_scope(layer_name):  
直接使用以上代码生成一个带可展开符号的一个域,并且支持嵌套操作:
[python] view plain copy
  1. with tf.name_scope(layer_name):  
  2.     with tf.name_scope('weights'):  
节点一般是变量或常量,需要加一个“name=‘’”参数,才会展示和命名,如:
[python] view plain copy
  1. with tf.name_scope('weights'):  
  2.     Weights = tf.Variable(tf.random_normal([in_size,out_size]))  
Tensorflow可视化工具Tensorboard使用方法

结构图符号及意义: Tensorflow可视化工具Tensorboard使用方法


变量: 变量则可使用Tensorflow.histogram_summary()方法: [python] view plain copy
  1. tf.histogram_summary(layer_name+"/weights",Weights) #name命名,Weights赋值  
Tensorflow可视化工具Tensorboard使用方法

常量:
常量则可使用Tensorflow.scalar_summary()方法: [python] view plain copy
  1. tf.scalar_summary('loss',loss) #命名和赋值  
Tensorflow可视化工具Tensorboard使用方法

展示: 最后需要整合和存储SummaryWriter: [python] view plain copy
  1. #合并到Summary中  
  2. merged = tf.merge_all_summaries()  
  3. #选定可视化存储目录  
  4. writer = tf.train.SummaryWriter("/目录",sess.graph)  
merged也是需要run的,因此还需要:
[python] view plain copy
  1. result = sess.run(merged) #merged也是需要run的  
  2.     writer.add_summary(result,i)  

执行:
运行后,会在相应的目录里生成一个文件,执行: [html] view plain copy
  1. tensorboard --logdir="/目录"  
会给出一段网址:
Tensorflow可视化工具Tensorboard使用方法 浏览器中打开这个网址即可,因为有兼容问题,firefox并不能很好的兼容,建议使用Chrome。 Tensorflow可视化工具Tensorboard使用方法

常量在Event中,结构图在Graphs中,变量在最后两个Tag中。             

附项目代码:

项目承接自上一篇文章:
[python] view plain copy
  1. import tensorflow as tf  
  2. import numpy as np  
  3.   
  4. def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None线性函数  
  5.     layer_name="layer%s" % n_layer  
  6.     with tf.name_scope(layer_name):  
  7.         with tf.name_scope('weights'):  
  8.             Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是随机变量  
  9.             tf.histogram_summary(layer_name+"/weights",Weights) #可视化观看变量  
  10.         with tf.name_scope('biases'):  
  11.             biases = tf.Variable(tf.zeros([1,out_size])+0.1#biases推荐初始值不为0  
  12.             tf.histogram_summary(layer_name+"/biases",biases) #可视化观看变量  
  13.         with tf.name_scope('Wx_plus_b'):  
  14.             Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases  
  15.             tf.histogram_summary(layer_name+"/Wx_plus_b",Wx_plus_b) #可视化观看变量  
  16.         if activation_function is None:  
  17.             outputs = Wx_plus_b  
  18.         else:  
  19.             outputs = activation_function(Wx_plus_b)  
  20.         tf.histogram_summary(layer_name+"/outputs",outputs) #可视化观看变量  
  21.         return outputs  
  22.   
  23. #创建数据x_data,y_data  
  24. x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]区间,300个单位,np.newaxis增加维度  
  25. noise = np.random.normal(0,0.05,x_data.shape) #噪点  
  26. y_data = np.square(x_data)-0.5+noise  
  27.   
  28. with tf.name_scope('inputs'): #结构化  
  29.     xs = tf.placeholder(tf.float32,[None,1],name='x_input')  
  30.     ys = tf.placeholder(tf.float32,[None,1],name='y_input')  
  31.   
  32. #三层神经,输入层(1个神经元),隐藏层(10神经元),输出层(1个神经元)  
  33. l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隐藏层  
  34. prediction = add_layer(l1,10,1,n_layer=2,activation_function=None#输出层  
  35.   
  36. #predition值与y_data差别  
  37. with tf.name_scope('loss'):  
  38.     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值  
  39.     tf.scalar_summary('loss',loss) #可视化观看常量  
  40. with tf.name_scope('train'):  
  41.     train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差  
  42.   
  43. init = tf.initialize_all_variables()  
  44. sess = tf.Session()  
  45. #合并到Summary中  
  46. merged = tf.merge_all_summaries()  
  47. #选定可视化存储目录  
  48. writer = tf.train.SummaryWriter("Desktop/",sess.graph)  
  49. sess.run(init) #先执行init  
  50.   
  51. #训练1k次  
  52. for i in range(1000):  
  53.     sess.run(train_step,feed_dict={xs:x_data,ys:y_data})  
  54.     if i%50==0:  
  55.         result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #merged也是需要run的  
  56.         writer.add_summary(result,i) #result是summary类型的,需要放入writer中,i步数(x轴)  

Tensorflow可视化工具Tensorboard使用方法