利用TensorBoard对MNIST程序进行优化

对于刚入门TensorFlow的新手来说（笔者也是0.0），第一个完成的就是MNIST训练，但我们对初始的代码用TensorBoard进行可视化操作，效果并不好，它的布局很不友好。所以为了更好的组织可视化效果图中的计算节点，TensorBoard支持通过TensorFlow命名空间来整理可视化效果图上的节点。

首先包括两部分代码：

1，mnist_inerence.py

#coding:utf-8
#mnist_inference.py

import tensorflow as tf

#定义神经网络相关参数
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500

#通过tf.get_variable 函数来获取变量
#在训练神经网络时会创建这些变量
#在测试时会通过保存的模型，加载这些变量的取值
#可以在变量加载时将“滑动平均变量”重命名，所以可以在训练时使用变量自身，在测试时使用变量的滑动平均值
#在这个函数中也会将变量的正则化损失加入损失集合
def get_weight_variable(shape, regularizer):
	#对权重的定义，shape表示维度
	#将变量初始化为满足正太分布的随机值，但如果随机出来的值偏离平均值超过2个标准差，那么这个数将会被重新随机
	weights = tf.get_variable("weights", shape, initializer=tf.truncated_normal_initializer(stddev=0.1))
	
	#将当前变量的正则损失加入名字为losses的集合
	if regularizer != None:
		tf.add_to_collection('losses', regularizer(weights))
	
	return weights


#定义神经网络的前向传播过程
def inference(input_tensor, regularizer):
	#声明第一层神经网络的变量并完成前向传播的过程
	with tf.variable_scope('layer1'):
		weights = get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer)
		biases = tf.get_variable("biases", [LAYER1_NODE], initializer=tf.constant_initializer(0.0))
		layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)

	#声明第二层神经网络的变量并完成前向传播的过程
	with tf.variable_scope('layer2'):
		weights = get_weight_variable([LAYER1_NODE, OUTPUT_NODE], regularizer)
		biases = tf.get_variable("biases", [OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
		layer2 = tf.matmul(layer1, weights) + biases

	return layer2

2，mnist_train.py

#coding:utf-8
#mnist_train.py

import os

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#加载 mnist_inference.py 中定义的常量和前向传播的函数
import mnist_inference

INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500
BATCH_SIZE = 100	# 子训练集的数据数量

LEARNING_RATE_BASE = 0.8	# 基础学习率
LEARNING_RATE_DECAY = 0.99	# 指数衰减学习率
REGULARIZATION_RATE = 0.0001	# 正则化损失率
TRAINING_STEPS = 30000		# 训练总轮数
MOVING_AVERAGE_DECAY = 0.99		# 滑动平均模型的衰减率

def train(mnist):
	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)

	with tf.name_scope('moving_average'):
		variable_averages = tf.train.ExponentialMovingAverage(
				MOVING_AVERAGE_DECAY,global_step)
		variable_averages_op = variable_averages.apply(tf.trainable_variables())

	with tf.name_scope('loss_function'):
		cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
						logits = y,labels = tf.argmax(y_,1))
		cross_entropy_mean = tf.reduce_mean(cross_entropy)
		loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))

	with tf.name_scope('train_step'):
		learning_rate = tf.train.exponential_decay(
			LEARNING_RATE_BASE,
			global_step,
			mnist.train.num_examples/BATCH_SIZE,
			LEARNING_RATE_DECAY,
			staircase = True)
		train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(\
			loss,global_step = global_step)
		with tf.control_dependencies([train_step,variable_averages_op]):
			train_op = tf.no_op(name='train')

	writer = tf.summary.FileWriter('/path/to/log',tf.get_default_graph())
	writer.close()

def main(argv=None):
	mnist = input_data.read_data_sets("/home/sun/AI/DNN/handWrite2/data", one_hot=True)
	train(mnist)

if __name__ == '__main__':
	tf.app.run()

    在cmd界面运行第二个程序。然后用浏览器打开，可以看到如下界面。

至于如何使用TensorBoard进行可视化操作，可看笔者另一边博客：初识TensorBoard