13518219792
这篇文章将为大家详细讲解有关如何在Tensorflow中使用Tensorboard实现可视化，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。
为禄丰等地区用户提供了全套网页设计制作服务，及禄丰网站建设行业解决方案。主营业务为网站设计、网站建设、禄丰网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！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。
上面的结构图甚至可以展开，变成：
使用：
结构图：
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：
with tf.name_scope(layer_name):
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：
with tf.name_scope('weights'):
Weights = tf.Variable(tf.random_normal([in_size,out_size]))
结构图符号及意义：
变量：
变量则可使用Tensorflow.histogram_summary()方法：
tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights赋值
常量：
常量则可使用Tensorflow.scalar_summary()方法：
tf.scalar_summary('loss',loss) #命名和赋值
展示：
最后需要整合和存储SummaryWriter：
#合并到Summary中
merged = tf.merge_all_summaries()
#选定可视化存储目录
writer = tf.train.SummaryWriter("/目录",sess.graph)merged也是需要run的，因此还需要：
result = sess.run(merged) #merged也是需要run的 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：
tensorboard --logdir="/目录"
会给出一段网址：
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。
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（已更新至最新Tensorflow版本API r1.2）：
import tensorflow as tf
import numpy as np
def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None线性函数
layer_name="layer%s" % n_layer
with tf.name_scope(layer_name):
with tf.name_scope('weights'):
Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是随机变量
tf.summary.histogram(layer_name+"/weights",Weights) #可视化观看变量
with tf.name_scope('biases'):
biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推荐初始值不为0
tf.summary.histogram(layer_name+"/biases",biases) #可视化观看变量
with tf.name_scope('Wx_plus_b'):
Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases
tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b) #可视化观看变量
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
tf.summary.histogram(layer_name+"/outputs",outputs) #可视化观看变量
return outputs
#创建数据x_data，y_data
x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]区间，300个单位，np.newaxis增加维度
noise = np.random.normal(0,0.05,x_data.shape) #噪点
y_data = np.square(x_data)-0.5+noise
with tf.name_scope('inputs'): #结构化
xs = tf.placeholder(tf.float32,[None,1],name='x_input')
ys = tf.placeholder(tf.float32,[None,1],name='y_input')
#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）
l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隐藏层
prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #输出层
#predition值与y_data差别
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值
tf.summary.scalar('loss',loss) #可视化观看常量
with tf.name_scope('train'):
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差
init = tf.initialize_all_variables()
sess = tf.Session()
#合并到Summary中
merged = tf.summary.merge_all()
#选定可视化存储目录
writer = tf.summary.FileWriter("Desktop/",sess.graph)
sess.run(init) #先执行init
#训练1k次
for i in range(1000):
sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
if i%50==0:
result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #merged也是需要run的
writer.add_summary(result,i) #result是summary类型的，需要放入writer中，i步数（x轴）关于如何在Tensorflow中使用Tensorboard实现可视化就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
