Tensorflow学习：Tensorboard可视化（二）

命名空间

1. 不同的命名空间。

tf.variable_scople 与tf.name_scope函数提供命名空间管理功能。
大部分情况下等价。
唯一的区别，在使用tf.get_viriable函数时。

import tensorflow as tf
with tf.variable_scope("foo"):
    a = tf.get_variable("bar", [1])
    print (a.name)

with tf.variable_scope("bar"):
    b = tf.get_variable("bar", [1])
    print (b.name)

结果

foo/bar:0
bar/bar:0

2. tf.Variable和tf.get_variable的区别。

with tf.name_scope("a"):
    a = tf.Variable([1])
    print (a.name)

    a = tf.get_variable("b", [1])
    print (a.name)

with tf.variable_scope("a"):
    a = tf.Variable([1])
    print (a.name)

    a = tf.get_variable("b", [1])
    print (a.name)

结果

a/Variable:0
b:0

a_1/Variable:0
a/b:0

3. TensorBoard可以根据命名空间来整理可视化效果图上的节点。

with tf.name_scope("input1"):
    input1 = tf.constant([1.0, 2.0, 3.0], name="input1")
with tf.name_scope("input2"):
    input2 = tf.Variable(tf.random_uniform([3]), name="input2")
output = tf.add_n([input1, input2], name="add")

writer = tf.summary.FileWriter("/log/simple_example.log", tf.get_default_graph())
writer.close()

默认视图中，同一个命名空间下的所有节点会被缩略成一个节点，只有顶层命名空间中的节点才会被显示。

展开后