TensorFlow入门

模型保存与加载

ckpt加载与加载

GPU训练

tensorflow创建的Tensor默认放在GPU上

tf.ConfigProto

tf.ConfigProto()主要的作用是配置tf.Session的运算方式，比如gpu运算或者cpu运算

config = tf.ConfigProto()
config.gpu_options.allow_growth = True       	# 当前进程尽情使用需要的显存	 	
config.allow_soft_placement = True				# 有时候，不同的设备，它的cpu和gpu是不同的，如果将这个选项设置成True，那么当运行设备不满足要求时，会自动分配GPU或者CPU。
config.log_device_placement = False          	# 获取你的 operations 和 Tensor 被指派到哪个设备上运行,会打印出op和Tensor的设备日志
sess = tf.Session(config = config)

TensorBoard使用

Scalar的添加

网络训练过程中的auccracy和loss通常使用scalar的形式来展示
步骤：

1. 定义要收集的指标，如：metric_loss = tf.summary.scalar(“loss”, loss)。
2. 调用merge_all或merge把summary信息保存到磁盘，以便tensorboard展示。如：summary_op = tf.summary.merge_all()。
3. 定义FileWriter，如：writer = tf.summary.FileWriter(’./graph’,sess.graph)。
4. 运行summary_op。sess.run(summary_op)
5. 使用FileWriter将summary写入日志文件。如：writer.add_summary(summary, step)。

# 1. 定义scalar
tf.summary.scalar('accuracy',acc)     
# 2. 定义summary_op          
summary_op = tf.summary.merge_all()  
# 3. 定义FileWriter
writer = tf.summary.FileWriter(DIR,sess.graph)

for step in range(training_step):       #训练循环  
	#  4. 运行summary_op得到summary
    summary = sess.run(summary_op,feed_dict =  {...})
    # 5. 使用writer将summary和step写入日志文件
    writer.add_summary(summary,step)

tensorboard展示

执行tensorboard --logdir=DIR --port=PORT，然后在http://localhost:6006中便可查看
在服务器上运行tensorboard，然后再本地浏览器查看需要在本地进行端口转发

ssh -N -f -L 6006:172.17.0.6:6006 liufengqi@202.120.38.4  -p 20201