关于Tensorboard的使用注意事项:
在summary下创建事件
filewriter = tf.summary.FileWriter("./tmp/summary/", graph=sess.graph)
1.开启Tensorboard的路径,千万不能有中文字,不然会找不到图。
2.路径是在项目路径下。
3.然后地址是画红色线部分。(复制即可)试过localhost:6006 和 127.0.0.1:6060 ,不知为何不行,
4.最好就是使用谷歌浏览器。
实现线性回归
def myregression():
"""
自实现一个线性回归预测
:return: None
"""
with tf.variable_scope("data"):
# 1、准备数据,x 特征值 [100, 1] y 目标值[100]
# 这些数据都是模拟数据,都是自己填上去的,实际上这些数据肯定的从其他地方获取
x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")
# 矩阵相乘必须是二维的
y_true = tf.matmul(x, [[0.7]]) + 0.8
with tf.variable_scope("model"):
# 2、建立线性回归模型 1个特征,1个权重, 一个偏置 y = x w + b
# 随机给一个权重和偏置的值,让他去计算损失,然后再当前状态下优化
# 用变量定义才能优化
# trainable参数:指定这个变量能跟着梯度下降一起优化
weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="w")
bias = tf.Variable(0.0, name="b")
y_predict = tf.matmul(x, weight) + bias
with tf.variable_scope("loss"):
# 3、建立损失函数,均方误差
loss = tf.reduce_mean(tf.square(y_true - y_predict))
with tf.variable_scope("optimizer"):
# 4、梯度下降优化损失 leaning_rate: 0 ~ 1, 2, 3,5, 7, 10
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 1、收集tensor 为了能在Tensorboard上显示
tf.summary.scalar("losses", loss)
tf.summary.histogram("weights", weight)
# 定义合并tensor的op 为了能在Tensorboard上显示
merged = tf.summary.merge_all()
# 定义一个初始化变量的op 必须初始化一个变量op
init_op = tf.global_variables_initializer()
# 定义一个保存模型的实例
# 保存模型的原因是 当训练步数达到500000次的时候,
# 如果在499999次突然断电,下一次又要重新训练,为了避免这种情况,那就选择每100000保存一次模型
saver = tf.train.Saver()
# 通过会话运行程序
with tf.Session() as sess:
# 初始化变量
sess.run(init_op)
# 打印随机最先初始化的权重和偏置
print("随机初始化的参数权重为:%f, 偏置为:%f" % (weight.eval(), bias.eval()))
# 建立事件文件 Tensorboard
filewriter = tf.summary.FileWriter("./tmp/summary/test/", graph=sess.graph)
# 加载模型,覆盖模型当中随机定义的参数,从上次训练的参数结果开始
if os.path.exists("./tmp/ckpt/checkpoint"):
# 如果我在这个路径上找到有保存了的模型,那我就使用保存了的模型开始训练
saver.restore(sess, FLAGS.model_dir)
# 循环训练 运行优化
for i in range(FLAGS.max_step):
sess.run(train_op)
# 运行合并的tensor
summary = sess.run(merged)
filewriter.add_summary(summary, i)
print("第%d次优化的参数权重为:%f, 偏置为:%f" % (i, weight.eval(), bias.eval()))
saver.save(sess, FLAGS.model_dir) 训练完毕,保存模型
return None
tensorflow变量作用域的作用:让模型代码更加清晰,作用分明
也就是这个
自定义命令行参数 : 可以直接在cmd上运行。
1、
2、 tf.app.flags.,在flags有一个FLAGS标志,它在程序中可以调用到我们
前面具体定义的flag_name
3、通过tf.app.run()启动main(argv)函数
使用:
1.
2.
当选择使用这个的时候,在pycharm就不能使用了,(前提下是要指定默认值,指定默认值就可以使用)