Tensorflow的网络结构

本节主要讲一下Tensorflow的2可视化结构TensorBoard的使用。

以数据集简单分类为例：

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)#加载数据集
#每个批次大小
batch_size = 100#训练模型一次性放一批次去训练
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size#训练数据数量/批次大小=一共有多少批次
#Tensorflow网络结构
#可视化结构：1、命名空间
with tf.name_scope('input'):#命名为input
    #定义两个placeholder ，输入值
    x = tf.placeholder(tf.float32,[None,784],name='x-input')#行784，列跟批次有关  
    y = tf.placeholder(tf.float32,[None,10],name='y-input')#数字0-9总共十个标签
with tf.name_scope('layer'):
    #创建一个简单的神经网络输入层+输出层10个神经元
    with tf.name_scope('wights'):
        W = tf.Variable(tf.zeros([784,10]))#权值
    with tf.name_scope('wx_plus_b'):
        b = tf.Variable(tf.zeros([10]))    #偏置值
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(tf.matmul(x,W)+b)#预测值 使用softmax函数 x*W+b，转换成概率值，存在预测变量里面
#二次代价函数
# loss = tf.reduce_mean(tf.square(y-prediction))
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#使用梯度下降
with tf.name_scope('train_step'):
    train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)#0.2的学习率，
#初始化变量
init = tf.global_variables_initializer()
#测试模型准确率==方法：结果存放在一个布尔型列表中
#求预测标签最大值在哪个位置，得到标签预测值跟真实值进行对比判断是否一样
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(prediction,1))#argmax返回一维张量中最大值所在的位置
    #求准确率
    with tf.name_scope('accuracy'):
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#对比的结果讲布尔型转换成float型，最后求平均值

with tf.Session() as sess:

    sess.run(init)

#这里必须新建一个目录生成路径存放图结构的文件

    writer = tf.summary.FileWriter('logs/',sess.graph)#在当前路径存放图结构
    for epoch in range(1):#迭代21个周期，把所有图片训练21次
        for batch in range(n_batch):#n_batch一共定义的批次，把每一批次100张图片训练一次
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)#获得一百张图片，标签保存在这里面
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
            
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})

        print("Iter" + str(epoch) + ",Testing Accuracy " + str(acc))

编译，运行完之后会在相对路径上创建一个'logs/'的文件夹，并在文件夹里面生成一个文件。

然后到控制命令行里面输入 tensorboard --logdir=你刚刚生成的文件夹路径（我的是这个C:\Users\Administrator\Tensorflow\5_week）

复制地址 http://PC-20170829CHLL:6006，到浏览器中打开，如下图所示：

注意：再控制命令行上输入命令的时候我遇到了两个问题 

         1、安装的pip版本问题

         2、版本不兼容问题

后来百度解决了，如果又遇到同样问题的可以私信我。