TensorFlow 入门教程（四）可视化工具 tensorboard 的使用方法（二） 利用 tensorboard 可视化整个网络的建造过程以及训练过程

本篇内容介绍利用 tensorboard 可视化整个网络的建造过程以及训练过程

具体步骤如下：

1 利用 tf.summary.histogram（）函数输出一个直方图的Summary protocol buffer

选择观看Weights，biases，outputs的变化

原代码

def add_layer(inputs, in_size, out_size, activation_function=None):
    # add one more layer and return the output of this layer
    with tf.name_scope('layer'):
        with tf.name_scope('weights'):
            Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')
        with tf.name_scope('biases'):
            biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)
        if activation_function is None:
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b, )
        return outputs

加入 tf.summary.histogram（）之后代码：

def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):
    # add one more layer and return the output of this layer
    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]), name='W')
            tf.summary.histogram(layer_name + '/weights', Weights)
        with tf.name_scope('biases'):
            biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')
            tf.summary.histogram(layer_name + '/biases', biases)
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)
        if activation_function is None:
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b, )
        tf.summary.histogram(layer_name + '/outputs', outputs)
    return outputs

选择观看loss的变化

原代码：

with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                                        reduction_indices=[1]))

修改之后代码：
注意loss的变化显示语句不同，为 tf.summary.scalar(‘loss’, loss)

with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                                        reduction_indices=[1]))
    tf.summary.scalar('loss', loss)  #命名显示的名称以及传递值

2 将所有的summary合并在一起打包，放在SummaryWriter上面

添加命令：

merged = tf.summary.merge_all()
writer = tf.summary.FileWriter("logs/", sess.graph)

3 加入代码

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})#run一下merge，返回summary存入result
        writer.add_summary(result, i) #将result放进writer里面

4 运行程序，生成文件

5 打开cmd，运行如下命令

tensorboard --logdir = '上面生成文件的路径'

有如下结果：

6 复制以上网址在浏览器打开（谷歌最好）

显示结果如下：



之后便可对图像进行分析，进一步了解神经网络的建造过程和训练过程。

注：以上代码来源网络，只是对其分析理解。