tensorflow 在windows上的图形展示~小朋友

今天小路在学习tensorflow编程的时候突然出现一些让我苦恼的问题，就是：图形化展示tensorflow代码(Python code),我们使用的是tensorboard!最后展示成功！爽歪歪~，进入正题：

第一步：编写代码！如下：一个简单的神经网络层的使用：

#code=utf8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

###添加层     输入 输入的大小 输出的大小 activation_function=None意思为激励函数
def add_layer(inputs,in_size,out_size,activation_function=None):
    
    
    with tf.name_scope('layer'):
        with tf.name_scope('Weights'):
        ####变量初始化，random_normal定义一个随机变量矩阵  [in_size,out_size]输出张量的形状，必选
            Weights=tf.Variable(tf.random_normal([in_size,out_size]))
            #tf.histogram_summary(layer_name + '/weights', Weights)
        
        with tf.name_scope('biases'):
        ###tf.zeros(1,out_size)是一个二维的含零的一行out_size列的数组
            biases=tf.Variable(tf.zeros([1,out_size])+0.1)
            #tf.histogram_summary(layer_name + '/biases', biases)
       
        with tf.name_scope('Wx_plus_b'):
        ###tf.matmul(a,b)将矩阵a乘以矩阵b，生成a * b。
            Wx_plus_b = tf.matmul(inputs,Weights)+biases
            
       
        ###activation_function is None 如果为线性函数，没有激励函数
        if activation_function is None:
            outputs = Wx_plus_b #那么函数曲线就是我们的  Wx_plus_b = W*x+b
        else:
            outputs = activation_function(Wx_plus_b)#否则我们的函数是在激励函数的作用下改变其线性变成非线性。激励函数有ReLU Sigmaid 等等
        #tf.histogram_summary(layer_name + '/outputs', outputs)
        return outputs


##创建数据start--
x_data = np.linspace(-1,1,300)[:,np.newaxis]#通过[:,np.newaxis]讲我们随机生成的1行300列的矩阵转置成300行1列的矩阵了
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data)-0.5+noise

with tf.name_scope('inputs'):
    xs=tf.placeholder(tf.float32,[None,1],name="x_inputs") ###此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值 [None,1]任意 行 1 列
    ys=tf.placeholder(tf.float32,[None,1],name="y_inputs")

##创建数据end---

l1=add_layer(xs,1,10,activation_function=tf.nn.relu)###定义一个隐藏层 1个输入参数  10个神经元 relu激励函数

prediction=add_layer(l1,10,1,activation_function=None)###输出层 ，它的输入是l1，10个输入参数，1个神经元输出 没有激励函数

with tf.name_scope('loss'):
    loss= tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
                                   reduction_indices=[1]))  ###计算损失函数真实值和预测值的差的平方和求均值 reduction_indices=[1]是按列求和
    #tf.scalar_summary('loss',loss)
with tf.name_scope('train'):
    train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

sess=tf.Session()

# tf.train.SummaryWriter soon be deprecated, use following
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
    writer = tf.train.summaryWriter('logs/',sess.graph)
    #writer.add_summary(summary)
else:
    writer = tf.summary.FileWriter('logs/',sess.graph)
    #writer.add_summary(summary)
    

# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
#init=tf.global_variables_initializer()
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
    init = tf.initialize_all_variables()
else:
    init = tf.global_variables_initializer()


sess.run(init)

fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data,c='y',marker='+')
plt.ion() #plt.show(block=False)为老的版本的
plt.ion()

       
for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i%20==0:
       # print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
       try:
           ax.lines.remove(lines[0])#先抹除原图像
       except Exception:
        
            pass
       
       prediction_value =sess.run(prediction,feed_dict={xs:x_data}) 
       lines=ax.plot(x_data,prediction_value,'r-',lw=5)
      # writer.add_summary(prediction_value, i)
       plt.pause(0.1)
       
plt.ioff()
plt.show()
sess.close()

本人的备注很多，毕竟是初次学习，为了更好的学好！ 

然后，我们进入可视化展示内容！在spyder上运行run layer.py的时候显示的结果如下：

之后呢，我决定在tensorboard上进行运行：

在这里的步骤如下：一定要细心哦：

1.在anaconda上打开anaconda prompt ，然后激活tensorflow，激活方法是：输入:activate tensorflow

2.找到刚刚我们运行的文件layer.py生成的logs位置：

我的是：F:/hhhh/tensortest/logs  (是不是很随意，哥就是那么任性！你咬我啊~)

然后，在logs上一个目录下运行这：tensorboard --logdir=logs (注意：logs一般不加引号""or'' )

3.此时我们的黑屏上会出现一个连接 比如这样的：http://DESKTOP-L7PRRDN:6006 ，拷贝放在浏览器上搜索，即可出现这个页面如下：

然后点击：图形选项，就会出来这个结果：

好了，这就是过程，是不是爽歪歪~！！！！