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]))