【TensorFlow】TensorFlow实战Google深度学习框架第2版参考代码（11-TensorBoard可视化）

《TensorFlow实战Google深度学习框架第2版》教材中的样例代码，由于tensorflow版本、运行过程的修改、敲码过程中的失误、教材样例自带的错误等原因，可能会导致代码与教材不一致或者不能运行成功，仅供参考。

第11章 TensorBoard可视化

• 11.1 一个简单的向量相加程序，完成了TensorBoard日志输出功能的TensorFlow程序

#!/usr/bin/python
# -*- coding: utf-8 -*-

import tensorflow as tf

# 定义一个简单的计算图,实现向量加法的操作
input1 = tf.constant([1.0, 2.0, 3.0], name="input1")
input2 = tf.Variable(tf.random_uniform([3]), name="input2")
output = tf.add_n([input1, input2], name="add")

# 生成一个写日志的writer,并将当前的TensorFlow计算图写入门志,TensorFlow提供了多种写日志文件的API
writer = tf.summary.FileWriter("/path/to/tensorboard/log", tf.get_default_graph())
writer.close()

• 11.1 TensorBoard启动命令

＃运行TensorBoard,并将日志的地址指向上面程序日志输出的地址
tensorboard --logdir=/path/to/log

• 11.2 命名空间

#!/usr/bin/python
# -*- coding: utf-8 -*-

import tensorflow as tf

with tf.variable_scope("foo"):
    # 在命名空间foo下获取变量"bar",于是得到的变量名称为"foo/bar"
    a = tf.get_variable("bar", [1])
    print(a.name)  # 输出: foo/bar:O

with tf.variable_scope("bar"):
    # 在命名空间bar下获取变量"bar",于是得到的变量名称为"bar/bar",此时变量"bar/bar和变量"foo/bar"并不冲突,于是可以正常运行
    b = tf.get_variable("bar", [1])
    print(b.name)  # 输出: bar/bar:O

with tf.name_scope("a"):
    # 使用tf.Variable函数生成变量会受tf.name_scope影响,于是这个变量的名称为"a/Variable"
    a = tf.Variable([1])
    print(a.name)  # 输出: a/Variable:O
    # tf.get_variable函数不受tf.name_scope函数的影响,于是变量并不在a这个命名空间中
    a = tf.get_variable("b", [1])
    print(a.name)  # 输出: b:O

• 11.2 引用了命名空间管理的向量相加程序

#!/usr/bin/python
# -*- coding: utf-8 -*-

import tensorflow as tf

# 将输入定义放入各自的命名空间中,从而使得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("/path/to/tensorboard/log", tf.get_default_graph())
writer.close()

• 11.2 mnist_train.py程序

#!/usr/bin/python
# -*- coding: utf-8 -*-

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from chapter05 import mnist_inference  # 注意这里的import包名

BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARIZATION_RATE = 0.0001
TRAINING_STEPS = 30000
MOVING_AVERAGE_DECAY = 0.99

INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500


def train(mnist):
    # 将处理输入数据的计算都放在名字为"input"的命名空间下
    with tf.name_scope('input'):
        x = tf.placeholder(
            tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input')
        y_ = tf.placeholder(
            tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-cinput')

    regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
    y = mnist_inference.inference(x, regularizer)
    global_step = tf.Variable(0, trainable=False)

    # 将处理滑动平均相关的计算都放在名为moving_average的命名空间下
    with tf.name_scope("moving_average