Tensorflow：变量和可视化

变量

变量也是一种OP，是一种特殊的张量，能够进行存储持久化，它的
值就是张量

变量的创建

tf.Variable(initial_value=None,name=None)
创建一个带值initial_value的新变量

assign(value)
为变量分配一个新值
返回新值
eval(session=None)
计算并返回此变量的值

name属性表示变量名字

变量的初始化

tf.global_variables_initializer()
添加一个初始化所有变量的op

在会话中开启

import tensorflow as tf

#变量op
#1.变量能够持久化保存，普通的张量op是不行的
#2.当定义一个变量op的时候，一定要在会话当中运行初始化

a= tf.constant([1,2,3,4,5])#常数张量

var= tf.Variable(tf.random_normal([2,3],mean=0.0,stddev=1.0))
print(a,var)

#必须做一步显示的初始化
init_op=tf.global_variables_initializer()


with tf.Session()  as sess:
    #必须运行初始化op
    sess.run(init_op)
    print(sess.run([a,var]))

可视化学习Tensorboard

数据序列化-events文件
TensorBoard 通过读取 TensorFlow 的事件文件来运行

tf.summary.FileWriter(’/tmp/tensorflow/summary/test/’, graph=
default_graph)
返回filewriter,写入事件文件到指定目录(最好用绝对路径)，以提供给tensorboard使用

命令中开启
tensorboard --logdir=/tmp/tensorflow/summary/test/

一般浏览器打开为127.0.0.1:6006

注：修改程序后，再保存一遍会有新的事件文件，打开默认为最新

先将程序图结构序列化为文件（events事件文件），通过tensorboard显示到服务器

#把程序的图结构写入事件文件
    filewriter=tf.summary.FileWriter("./summary",graph=sess.graph)
    

然后就可以看到相关的graph

图中的符号意义

增加变量显示

目的：观察模型的参数、损失值等变量值的变化
1、收集变量
tf.summary.scalar(name=’’,tensor) 收集对于损失函数和准确率
等单值变量,name为变量的名字，tensor为值
tf.summary.histogram(name=‘’,tensor) 收集高维度的变量参数
tf.summary.image(name=‘’,tensor) 收集输入的图片张量能显示图片

2、合并变量写入事件文件
merged = tf.summary.merge_all()
运行合并：summary = sess.run(merged)，每次迭代都需运行
添加：FileWriter.add_summary(summary,i),i表示第几次的值

import tensorflow as tf

#变量op
#1.变量能够持久化保存，普通的张量op是不行的
#2.当定义一个变量op的时候，一定要在会话当中运行初始化
#3.name 参数：在Tensorboard使用的时候显示名字，可以让相同op名字进行区分

a= tf.constant([1,2,3,4,5])#常数张量

var= tf.Variable(tf.random_normal([2,3],mean=0.0,stddev=1.0),name="chenpeng")
print(a,var)

#必须做一步显示的初始化
init_op=tf.global_variables_initializer()

b=tf.constant(5.0)
c=tf.constant(5.0)
d=tf.add(b,c)


with tf.Session()  as sess:
    #必须运行初始化op
    sess.run(init_op)
    #把程序的图结构写入事件文件
    filewriter=tf.summary.FileWriter("./summary",graph=sess.graph)
    print(sess.run([d,a,var]))