Tensorflow学习随手记（三）

Tensorboard的简单实用

核心的写法如下：

例子1

with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-product),reduction_indices=[1]));

例子2

#定义添加层的方法
def add_layer(inputs,in_size,out_size,activation_function=None):
    with tf.name_scope('layer'):
        with tf.name_scope('Wegihts'):
            Wegihts = tf.Variable(tf.random_normal([in_size,out_size]),name='W');
        with tf.name_scope('biases'):
            biases = tf.Variable(tf.zeros([1,out_size])+0.1,name='b');
        
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b = tf.matmul(Wegihts,inputs)+ biases;
        
        if activation_function is None:
            output = Wx_plus_b;
        else:
            output = activation_function(Wx_plus_b);
            
        return output;

将结果输出到某个文件使用如下代码：

sess = tf.Session();
#tf.train.SummaryWriter 又一个被废弃的方法
writer = tf.summary.FileWriter("logs/",sess.graph);

编译完成后，使用在控制台，切换到logs对应的父文件夹内，然后运行

tensorboard --logdir=logs

注意，如果是通过Anaconda安装的Tensorflow，相当于是安装了一个tensorflow的虚拟机。因此，要以管理员方式运行Anaconda prompt后，激活Tensorflow环境。最后再切换到logs目录下，然后才是运行tensorboard --logdir=logs.

运行后，可以在浏览器中打开控制台提示的网址，即出现神经网络的层次结构。如下图所示

每一层如下图所示

 

记录数据变化，可以使用如下方法

tf.summary.histogram(lay_name+'/biases',biases);

loss误差值的记录，使用如下代码

tf.summary.scalar('loss',loss);

在需要记录的时候，都需要运行如下代码，用于生成最新的数据信息。

merge = tf.summary.merge_all();
result = sess.run(merge,feed_dict={xs:x_data,ys:y_data});
writer.add_summary(result,i);

最终会形成一个如下图所示的图表

1,loss

2,其他historgram

目前还看不懂这些图表的含义，只能先放着，等以后慢慢理解。