1.1基础之可视化TensorFlow

最新推荐文章于 2021-06-22 14:50:52 发布

置顶阿兵-AI医疗

最新推荐文章于 2021-06-22 14:50:52 发布

阅读量1.8k

点赞数 21

分类专栏：深度学习文章标签： tensorflow 可视化 TensorBoard

本文链接：https://blog.csdn.net/webzhuce/article/details/104685197

版权

深度学习专栏收录该内容

13 篇文章 0 订阅

订阅专栏

可视化是认知程序的最直观方式。

基本概念

TensorBoard是TensorFlow自带的一个强大的可视化工具，也是一个web应用程序套件。TensorBoard目前只支持7种可视化，即SCALARS、 IMAGES、AUDIO、GRAPHS、DISTRIBUTIONS、HISTOGRAMS和EMBEDDINGS。

SCALARS：展示训练过程中的准确率、损失值、权重/偏置的变化情况
IMAGES：展示训练过程中记录的图像
AUDIO：展示训练过程中记录的音频
GRAPHS：展示模型的数据流图，以及训练在各个设备上消耗的内存和时间
DISTRIBUTIONS：展示训练过程中记录的数据的分布图
HISTOGRAMS：展示训练过程中记录的数据的柱状图
EMBEDDINGS：展示词向量（如Word2vec）后的投影分布

TensorBoard通过运行一个本地服务器，来监听6006端口。但是如何写可视化的程序呢？可视化时，需要在程序中给必要的节点添加摘要（summary），摘要会收集该节点的数据，并标记上第几步、时间戳等标识，写入事件文件（event file）中。tf.summary.FileWriter类用于在目录中创建事件文件，并且向文件中添加摘要和事件，用来在TensorBoard中展示。比如下面代码创建FIleWirter和事件文件，会在当前目录创建一个叫log的文件夹，并把事件文件写在该目录里。

writer = tf.summary.FileWriter("./log", tf.get_default_graph())

示例演示

我们在程序中添加summary，并一步步展示如何利用Anaconda和TensorBoard实现可视化。

import tensorflow as tf
from numpy.random import RandomState

#定义训练数据batch的大小
batch_size = 8
#定义神经网络的参数,随机初始化
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
#在shape上的一个维度上使用None可以方便使用不同的batch大小
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')
#定义神经网络前向传播的过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
y = tf.sigmoid(y)
#定义损失函数:交叉熵
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0))
     +(1-y_) * tf.log(tf.clip_by_value(1 - y, 1e-10, 1.0)))
#反向传播算法应用
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

#通过随机数生成一个数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
#认为x1+x2<1的样本都认为是正样本，用0表示负样本，1来表示正样本
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]

loss = tf.placeholder(tf.float32, shape=(1))
loss_summary = tf.summary.scalar("loss", tf.squeeze(loss))

with tf.Session() as sess:
    #初始化变量
    init = tf.global_variables_initializer()
    sess.run(init)
    print("Before training:")
    print(sess.run(w1))
    print(sess.run(w2))

    writer = tf.summary.FileWriter("./log", tf.get_default_graph())

    #设定训练的次数
    STEPS = 5000
    for i in range(STEPS):
        #每次选取batch_size个样本进行训练
        start = (i * batch_size) % dataset_size
        end = min(start + batch_size, dataset_size)
        #通过选取的样本训练神经网络并更新参数
        _, cur_loss = sess.run([train_step, cross_entropy], feed_dict={x: X[start:end], y_: Y[start:end]})

        summary = sess.run(loss_summary, feed_dict={loss: [cur_loss]})

        writer.add_summary(summary, i)

    print("After training:")
    print(sess.run(w1))
    print(sess.run(w2))
    result = sess.run(y, feed_dict={x: [[0.5, 0.3]]})
    print(result)