Name scopes

Table of Contents

• TensorFlow学习记录

  • 第一章 Anaconda简介

    • 1.1 Anaconda、conda、pip、virtualenv的区别比较
    • 1.2 参考

  • 第二章 Anaconda安装Tensorflow

    • 2.1 安装Anaconda
    • 2.2 在Anaconda中激活安装tensorflow
    • 2.3 在tensorflow中安装Jupyter Notebook
    • 2.4 在terminal中运行Tensorflow
    • 2.5 在jupyter notebook中运行tensorflow
    • 2.6 报错解决
    • 2.7 参考

  • 第三章 Tensorflow使用入门

    • 3.1 创建图
    • 3.2 执行图
    • 3.3 管理图
    • 3.4 参考

  • 第四章 Tensorflow实现简单线性回归

    • 4.1 实现代码
    • 4.2 参考

  • 第五章 梯度下降

    • 5.1 准备工作
    • 5.2 手工计算梯度
    • 5.3 自动计算梯度
    • 5.4 优化器
    • 5.5 批量梯度下降
    • 5.6 参考

  • 第六章 模型保存与恢复

    • 6.1 保存模型
    • 6.2 恢复模型
    • 6.3 模型文件
    • 6.4 参考

  • 第七章 Tensorboard可视化图及训练

    • 7.1 过程记录
      • 导入包
      • 数据处理
      • 设置日志文件
      • 创建计算图
      • 创建会话
      • 运行结果
      • 启动Tensorboard服务
      • 查看训练状态
      • 使用Tensorboard
    • 7.2 参考

  • 第八章 命名作用域

    • 8.1 过程记录
      • 代码修改
      • 结果观察
    • 8.2 参考

第八章 命名作用域

       在搭建和处理非常复杂的神经网络模型时，图非常容易变得异常庞大而杂乱。大量的节点会使图变得更加晦涩难懂。因此要通过命名作用域的方式将节点分组。即将作用或性质类似的节点划分到相同的命名作用域中。

8.1 过程记录

1. 代码修改

       本章代码在上一章Tensorboard可视化的基础上修改而来。即用命名作用域的方式来替换构造期中节点的创建方式。具体代码如下：

# 命名作用域
with tf.name_scope("loss") as scope:
  error = y_pred-y
  mse = tf.reduce_mean(tf.square(error),name="mse")

替换

# 创建节点
error = y_pred-y
mse = tf.reduce_mean(tf.square(error),name="mse")

2. 结果观察

       在原始代码中命名作用域后，结果对比如下：

图8-1 输出结果对比        由图4-1可知，左图为定义命名作用域后的输出结果，右图为未定义命名作用域的结果。在命名作用域中定义的每个操作都有一个"loss/"前缀。 ![在这里插入图片描述]()

图4-2 图对比        由图4-2可知，左图为命名作用域后的计算图，右图则没有定义命名作用域，右图中的 mse 和 sub 节点等都包含在左图中的 loss 节点中。将节点分类之后，计算图看起来更加简洁明了。并且读者对计算图的整体结构有更加清晰的了解。

8.2 参考

[1] Miss_wang.Tensorflow中的命名空间scope
[2] ageron.Machine Learning Notebooks