深度学习(七)-可视化

1. 为什么需要可视化？

 在训练庞大的深度神经网络，为了能够更好的理解运算过程，需要使用可视化的工具将其过程进行描述，在tensorflow中使用TensorBoard 来绘制图像生成的定量指标图以及附加数据；

2. 主要流程

TensorBoard 通过读取tensorflow的事件文件来运行，在事件文件中包含运行中设计的主要数据。

(1) 创建tensorflow图，对节点进行汇总操作，使用  tf.summary.scalar('loss',loss) 

(2) 将所有的汇总操作合并，使用： merged = tf.summary.merge_all()

(3) 获取写文件的工具  writer = tf.summary.FileWriter('logs/',sess.graph)

(4) 将需要统计信息写入文件  writer.add_summary(summary,epoch)#将变量和迭代次数写入

3. TensorBoard 使用

(1) cmd打开命令提示框，切换到指定文件根目录；(如，e:)
(2) 输入命令：tensorboard --logdir=E:\Python\tensorflow_test\tensorborad\logs
(3) 在浏览器访问：http://DESKTOP-MQ30F76:6006

3. 流程可视化(模块命名)

# coding=utf-8
'''
tensorborad图示化网络的执行流程
'''
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#1.加载数据
mnist = input_data.read_data_sets('data/MNIST_data',one_hot=True)
#2.使用小批量训练，定义批次大小
batch_size = 100
#计算训练次数
batch_num = mnist.train.num_examples//batch_size
#3.定义占位符
#创建命名空间
with tf.name_scope('input'):
    x = tf.placeholder(tf.float32,[None,784],name='x_input')#输入的占位符
    y = tf.placeholder(tf.float32,[None,10],name='y_input')#输出的占位符
#4.定义网络结构
with tf.name_scope('layer'):
    with tf.name_scope('weights'):
        W = tf.Variable(tf.zeros([784,10]),name='W')
    with tf.name_scope('biase'):
        b = tf.Variable(tf.zeros([10]),name='b')
    #预测
    with tf.name_scope('wx_plus_b'):
        wx_plus_b = tf.matmul(x,W)+b
    with tf.name_scope('softmax'):
        predict = tf.nn.sigmoid(wx_plus_b,name='softmax')
#代价函数
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(y-predict))
#梯度下降
with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#5.开始训练
init = tf.global_variables_initializer()
#结果存储在布尔列表中(概率最大的位置是否相等)
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        correct_prediction = tf.equal(tf.a