Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

如何更直观的观察数据在神经网络中的变化，或是已经构建的神经网络的结构。上一篇文章说到，可以使用matplotlib第三方可视化，来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard，并且能更直观的看见整个神经网络的结构。

上面的结构图甚至可以展开，变成：

使用：

结构图：

1	with tensorflow .name_scope(layer_name):

直接使用以上代码生成一个带可展开符号的一个域，并且支持嵌套操作：

1 2	with tf.name_scope(layer_name):    with tf.name_scope( 'weights' ):

节点一般是变量或常量，需要加一个“name=‘'”参数，才会展示和命名，如：

1 2	with tf.name_scope( 'weights' ):    Weights = tf.Variable(tf.random_normal([in_size,out_size]))

结构图符号及意义：

变量：

变量则可使用Tensorflow.histogram_summary()方法：

1	tf.histogram_summary(layer_name + "/weights" ,Weights) #name命名，Weights赋值

常量：

常量则可使用Tensorflow.scalar_summary()方法：

1	tf.scalar_summary( 'loss' ,loss) #命名和赋值

展示：

最后需要整合和存储SummaryWriter：

1 2 3 4

#合并到Summary中 merged = tf.merge_all_summaries() #选定可视化存储目录 writer = tf.train.SummaryWriter( "/目录" ,sess.graph)

merged也是需要run的，因此还需要：

1 2	result = sess.run(merged) #merged也是需要run的    writer.add_summary(result,i)

执行：

运行后，会在相应的目录里生成一个文件，执行：

1	tensorboard --logdir="/目录"

会给出一段网址：

浏览器中打开这个网址即可，因为有兼容问题，firefox并不能很好的兼容，建议使用Chrome。

常量在Event中，结构图在Graphs中，变量在最后两个Tag中。

附项目代码：

项目承接自上一篇文章（已更新至最新Tensorflow版本API r1.2）：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56

import tensorflow as tf  import numpy as np      def add_layer(inputs,in_size,out_size,n_layer,activation_function = None ): #activation_function=None线性函数     layer_name = "layer%s" % n_layer     with tf.name_scope(layer_name):       with tf.name_scope( 'weights' ):         Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是随机变量         tf.summary.histogram(layer_name + "/weights" ,Weights) #可视化观看变量       with tf.name_scope( 'biases' ):         biases = tf.Variable(tf.zeros([ 1 ,out_size]) + 0.1 ) #biases推荐初始值不为0         tf.summary.histogram(layer_name + "/biases" ,biases) #可视化观看变量       with tf.name_scope( 'Wx_plus_b' ):         Wx_plus_b = tf.matmul(inputs,Weights) + biases #inputs*Weight+biases         tf.summary.histogram(layer_name + "/Wx_plus_b" ,Wx_plus_b) #可视化观看变量       if activation_function is None :         outputs = Wx_plus_b       else :         outputs = activation_function(Wx_plus_b)       tf.summary.histogram(layer_name + "/outputs" ,outputs) #可视化观看变量       return outputs      #创建数据x_data，y_data  x_data = np.linspace( - 1 , 1 , 300 )[:,np.newaxis] #[-1,1]区间，300个单位，np.newaxis增加维度  noise = np.random.normal( 0 , 0.05 ,x_data.shape) #噪点  y_data = np.square(x_data) - 0.5 + noise      with tf.name_scope( 'inputs' ): #结构化     xs = tf.placeholder(tf.float32,[ None , 1 ],name = 'x_input' )     ys = tf.placeholder(tf.float32,[ None , 1 ],name = 'y_input' )      #三层神经，输入层（1个神经元），隐藏层（10神经元），输出层（1个神经元）  l1 = add_layer(xs, 1 , 10 ,n_layer = 1 ,activation_function = tf.nn.relu) #隐藏层  prediction = add_layer(l1, 10 , 1 ,n_layer = 2 ,activation_function = None ) #输出层      #predition值与y_data差别  with tf.name_scope( 'loss' ):     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices = [ 1 ])) #square()平方,sum()求和,mean()平均值     tf.summary.scalar( 'loss' ,loss) #可视化观看常量  with tf.name_scope( 'train' ):     train_step = tf.train.GradientDescentOptimizer( 0.1 ).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差      init = tf.initialize_all_variables()  sess = tf.Session()  #合并到Summary中  merged = tf.summary.merge_all()  #选定可视化存储目录  writer = tf.summary.FileWriter( "Desktop/" ,sess.graph)  sess.run(init) #先执行init      #训练1k次  for i in range ( 1000 ):     sess.run(train_step,feed_dict = {xs:x_data,ys:y_data})     if i % 50 = = 0 :       result = sess.run(merged,feed_dict = {xs:x_data,ys:y_data}) #merged也是需要run的       writer.add_summary(result,i) #result是summary类型的，需要放入writer中，i步数（x轴）

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

您可能感兴趣的文章:

• Tensorflow的可视化工具Tensorboard的初步使用详解