Tensorflow之tensorboard可视化

Tensorflow之tensorboard可视化

本文是在学习莫烦python–tensorflow过程中的记录，对代码框架和部分代码进行了解释。在打开tensorboard时因为是windows系统，和Mac有所不同，所以记录一下打开的方式。作者也是小白，若有不足，请大家指出问题，多多交流~

import tensorflow as tf

def add_layer(inputs,in_size,out_size,activation_function=None):
    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==None:
            outputs=Wx_plus_b
        else:
            outputs=activation_function(Wx_plus_b)
        return outputs

with tf.name_scope('inputs'):
    xs=tf.placeholder(tf.float32,[None,1],name='x_inputs')
    ys=tf.placeholder(tf.float32,[None,1],name='y_inputs')

l1=add_layer(xs,1,10,tf.nn.relu)
prediction=add_layer(l1,10,1,None)

with tf.name_scope('loss'):
    loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
                                  reduction_indices=[1]))

with tf.name_scope('train'):
    train_step=tf.train.GradientDescentOptimizer(0.07).minimize(loss)

sess=tf.Session()

writer=tf.summary.FileWriter("logs/",sess.graph)

init=tf.initialize_all_variables()
sess.run(init)

代码框架：

1.定义一个添加神经网络层的函数add_layer
2.定义输入xs,ys，此处用的是placeholder，用于不清楚具体输入值的情况，后期加数据可以用feed_dict{…}的形式
3.添加两层神经网络，一层隐藏层l1，一层输出层prediction
4.计算loss的均值
5.训练，使用梯度下降，0.07指的是学习率，后面minimize(loss)指的是目标
6.log是代码文件所在的目录。将tensorflow的图保存在这个目录下
7.初始化所有变量

代码解释
with tf.name_scope('layer'):用于构造一个大的框架layer
with tf.name_scope('Weights'):用于构造一个框架Weights
Weights=tf.Variable(tf.random_normal([in_size,out_size]),name='W')Weights的定义，并将其名字设为‘W’
ps.其他代码较为基础，可参考视频莫烦Python-可视化好帮手1

查看tensorboard–graph

运行代码后会在代码所在的文件夹（我代码所在文件是Tensorflow）出现一个logs的文件夹，打开后会出现这个文件。
然后打开Anaconda prompt，先用activate tensorflow激活tensorflow,然后用cd 一步一步定位到该位置（我这里是tensorflow），执行命令tensorboard --logdir logs
接下来，就会出现一个网址，复制它！（右键标记，选中后回车即可复制）

然后打开该网址即可看到Graph啦~~

双击即可看到内部结构