目录
5-1 tensorboard的使用与常见问题
tensorboard的使用:
- 第一步:写好示例程序
- 第二步:看是否生成对应的日志文件
- 第三步:打开DOS环境(win+r),将盘符切换到对应的盘,并且将文件夹位置切换到日志文件夹的上一级目录,执行:tensorboard --logdir=logs(执行切换盘符命令:d:,切换到同一盘的指定目录:cd C:\Users\Sun\Jupyter Project\Tensorflow,logs代表创建的存放日志的文件夹)
- 第四步:复制网址到谷歌或火狐浏览器,打开tensorboard
- 第五步:在DOS环境下使用快捷键CTRL+C退出tensorboard (注意:多次执行示例程序后会生成多个日志文件,需要将之前的删除,要不然会出现多个图混乱的现象)
tensorboard无法打开网页的解决办法:
- 需要在\logs的上一层运行tensorboard –logdir=logs,需要将文件夹位置切换到logs文件的上一级文件夹,否则无法显示
- 由于tensorflow版本的更新问题,较早的版本使用:http://localhost:6006 ,较新的版本使用:http://DESKTOP-9QGJOHM:6006 (我使用的tensorflow1.10还是只能使用http://localhost:6006 ) (dos环境下生成的网址)
- 更新浏览器
- 更新tensorflow(一般应该不是这个错误),更新指令:pip install -U tensorflow (更新到最新版本)
- 目录中不要使用中文(后来重新使用的使用的时候不小心添加了中文路径,花了一个小时找错误,牢记在心)
- 还有一个原因可能是6006端口不能访问导致的,切换端口访问,增加语句:--port=8080,示例:tensorboard --logdir=logs --port=8080(logs表示你创建日志的文件夹)
5-2 使用tensorboard查看网络的结构和参数
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#导入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)#如果本地没有数据集,此语句会自动下载到对应的文件夹位置,不过网速较慢,不建议
#每个批次的大小
batch_size = 100
#计算一共需要多少个批次
n_batch = mnist.train.num_examples // batch_size
def variable_summaries(var):
with tf.name_scope('summaries'):
mean = tf.reduce_mean(var)
tf.summary.scalar('mean',mean)
with tf.name_scope('stddev'):
stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
tf.summary.scalar('stddev',stddev)#标准差
tf.summary.scalar('max',tf.reduce_max(var))
tf.summary.scalar('min',tf.reduce_min(var))
tf.summary.histogram('histogram',var)
#命名空间
with tf.name_scope('input'):
#创建两个placeholder
x = tf.placeholder(tf.float32,[None,784],name='x_input')
y = tf.placeholder(tf.float32,[None,10],name='y_input')
#命名空间
with tf.name_scope('layer'):
#创建一个简单的神经网络
with tf.name_scope('W'):
W = tf.Variable(tf.zeros([784,10]),name='W')
variable_summaries(W)
with tf.name_scope('b'):
b = tf.Variable(tf.zeros([10]),name='b')
variable_summaries(b)
with tf.name_scope('wx_plus_b'):
wx_plus_b = tf.matmul(x,W) + b
with tf.name_scope('softmax'):
prediction = tf.nn.softmax(wx_plus_b)
with tf.name_scope('loss'):
#交叉熵损失函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))#加快迭代速度
tf.summary.scalar('loss',loss)
with tf.name_scope('train'):
#使用AdamOptimizer训练
train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
with tf.name_scope('prediction'):
with tf.name_scope('correct_prediction'):
#结果存放在一个布尔类型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#对比预测结果的标签是否一致,一致为True,不同为False
with tf.name_scope('accuracy'):
#预测准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#将布尔型转化为0.0-1.0之间的数值,True为1.0,False为0.0
tf.summary.scalar('accuracy',accuracy)
#变量初始化
init = tf.global_variables_initializer()
#合并所有的summary
merge = tf.summary.merge_all()
with tf.Session() as sess:
sess.run(init)
writer = tf.summary.FileWriter('logs/',sess.graph)#在程序相同目录生成logs文件夹,并产生日志文件
for epoch in range(50):
for batch in range(n_batch):
batch_x,batch_y = mnist.train.next_batch(batch_size)#
summary,_ = sess.run([merge,train_step],feed_dict={x:batch_x,y:batch_y})#返回两个值summary和_,train_step返回值不使用故用'_'表示
writer.add_summary(summary,epoch)#将summary写入到logs文件中
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print('Iter' + str(epoch) + ',Test Accuaracy' + str(acc))
参考上述tensorboard的使用方法,查看运行结果(部分):
5-3 tensorboard的可视化(程序有点问题)
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib.tensorboard.plugins import projector
#载入数据集
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
#运行次数
max_steps = 1001
#图片数量
image_num = 3000
#文件路径
#DIR = "D:/Tensorflow/"
DIR = 'C:/Users/Sun/Jupyter Project/Tensorflow/'
#定义会话
sess = tf.Session()
#载入图片
embedding = tf.Variable(tf.stack(mnist.test.images[:image_num]), trainable=False, name='embedding')
#参数概要
def variable_summaries(var):
with tf.name_scope('summaries'):
mean = tf.reduce_mean(var)
tf.summary.scalar('mean', mean)#平均值
with tf.name_scope('stddev'):
stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
tf.summary.scalar('stddev', stddev)#标准差
tf.summary.scalar('max', tf.reduce_max(var))#最大值
tf.summary.scalar('min', tf.reduce_min(var))#最小值
tf.summary.histogram('histogram', var)#直方图
#命名空间
with tf.name_scope('input'):
#这里的none表示第一个维度可以是任意的长度
x = tf.placeholder(tf.float32,[None,784],name='x-input')
#正确的标签
y = tf.placeholder(tf.float32,[None,10],name='y-input')
#显示图片
with tf.name_scope('input_reshape'):
image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
tf.summary.image('input', image_shaped_input, 10)
with tf.name_scope('layer'):
#创建一个简单神经网络
with tf.name_scope('weights'):
W = tf.Variable(tf.zeros([784,10]),name='W')
variable_summaries(W)
with tf.name_scope('biases'):
b = tf.Variable(tf.zeros([10]),name='b')
variable_summaries(b)
with tf.name_scope('wx_plus_b'):
wx_plus_b = tf.matmul(x,W) + b
with tf.name_scope('softmax'):
prediction = tf.nn.softmax(wx_plus_b)
with tf.name_scope('loss'):
#交叉熵代价函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
tf.summary.scalar('loss',loss)
with tf.name_scope('train'):
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
#初始化变量
sess.run(tf.global_variables_initializer())
with tf.name_scope('accuracy'):
with tf.name_scope('correct_prediction'):
#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置
with tf.name_scope('accuracy'):
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#把correct_prediction变为float32类型
tf.summary.scalar('accuracy',accuracy)
#产生metadata文件
if tf.gfile.Exists(DIR + 'projector/projector/metadata.tsv'):
tf.gfile.DeleteRecursively(DIR + 'projector/projector/metadata.tsv')
with open(DIR + 'projector/projector/metadata.tsv', 'w') as f:
labels = sess.run(tf.argmax(mnist.test.labels[:],1))
for i in range(image_num):
f.write(str(labels[i]) + '\n')
#合并所有的summary
merged = tf.summary.merge_all()
projector_writer = tf.summary.FileWriter(DIR + 'projector/projector',sess.graph)
saver = tf.train.Saver()
config = projector.ProjectorConfig()
embed = config.embeddings.add()
embed.tensor_name = embedding.name
embed.metadata_path = DIR + 'projector/projector/metadata.tsv'
embed.sprite.image_path = DIR + 'projector/data/mnist_10k_sprite.png'
embed.sprite.single_image_dim.extend([28,28])
projector.visualize_embeddings(projector_writer,config)
for i in range(max_steps):
#每个批次100个样本
batch_xs,batch_ys = mnist.train.next_batch(100)
run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
run_metadata = tf.RunMetadata()
summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys},options=run_options,run_metadata=run_metadata)
projector_writer.add_run_metadata(run_metadata, 'step%03d' % i)
projector_writer.add_summary(summary, i)
if i%100 == 0:
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print ("Iter " + str(i) + ", Testing Accuracy= " + str(acc))
saver.save(sess, DIR + 'projector/projector/a_model.ckpt', global_step=max_steps)
projector_writer.close()
sess.close()
说明:1.关于tensorflow的代码是参考了b站练数成金的代码,链接地址:https://www.bilibili.com/video/av20542427/?p=1
2.部分代码还参考了tensorflow中文社区的网站,以及tensorflow的官网(需要梯子)。
tensorflow中文社区的网站:http://www.tensorfly.cn/
MNIST_data手写数据集下载:链接:https://pan.baidu.com/s/1_PxLxxZ4YP7KfDzZh8vPFA 密码:nyrs
更多Tensorflow资源下载,去github搜索Tensorflow下载更多demo