TensorFlow教程 4 Tensorboard 可视化好帮手

4 Tensorboard 可视化好帮手

4.1 Tensorboard简介

学会用 Tensorflow 自带的 tensorboard 去可视化我们所建造出来的神经网络是一个很好的学习理解方式.

用最直观的流程图告诉你你的神经网络是长怎样,有助于你发现编程中间的问题和疑问.

通过tensorboard的工具大致可以看到，上节课要显示的神经网络差不多是这样子的：

同时我们也可以展开看每个layer中的一些具体的结构：

4.2 绘制图层与其中的参数

主要用到两个语法：
1. 定义图层：with tf.name_scope() （ 里面写名字，下面用缩进）
2. 定义参数：增加参数变量的属性name

4.2.1 对隐藏层

例如对添加的隐藏层进行画图，最终，layer形式如下：

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

效果如下：（有没有看见刚才定义layer里面的“内部构件”呢？）

4.2.2 loss函数

再例如对loss部分：

# the error between prediciton and real data
with tf.name_scope('loss'):
    loss = tf.reduce_mean(
    tf.reduce_sum(
    tf.square(ys - prediction),
    eduction_indices=[1]
    ))

这句话就是“绘制” loss了， 如下：

4.2.3 train_step部分

with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

形式都相同。

4.3 保存并执行绘图

1. 保存绘画：tf.summary.FileWriter()运行程序，生成绘画文件

2. 运行绘画1：在CMD中tensorboard –logdir logs设定文件目录

3. 打开Google Chrome：