tensorboard详细参数和图像意义

参考：https://www.cnblogs.com/chenhuabin/p/11736088.html

使用显示的过程中需要注意的地方

1，tensorboard --logdir=log  #在终端或命令提示符环境下使用，且log是保存视图文件的文件夹，且不需要加引号
2，为了准确的显示最新的视图内容，最好将旧的删去，否则可能读取旧的视图
3，第1条终端执行不要停止，否则会无法访问网页，
4，一定要确认log文件的位置是否正确，否则会出现有文件，而无法显示出图像的情况

tensorboard的整体网络图的分布

源代码

import tensorflow as tf
with tf.variable_scope('tess',reuse=True):
    state = tf.Variable( 3 ,dtype=tf.int32, name='MID_VAL')
    one = tf.constant( 1 ,dtype=tf.int32,name='ONE')
with tf.variable_scope('teet'):

    new_val = tf.add(state, one,name='ADD')   #state+1→ new_val
    update = tf.assign(state, new_val,name='update')   #update功能，更新参数
    two = one+one   #########################修改这个地方就会出现不同的结果
    update1 = tf.multiply(state, two,name='update1')


init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    tf.summary.FileWriter('./log', sess.graph)
    merge_op = tf.summary.merge_all()
       #### 单独运行，第一种显示结果
    # print(sess.run(update1))   #两行输出结果 0，1
    # print(sess.run(update))
    ## 单独运行，第二种显示结果
    # print(sess.run(update))   #两行输出结果 1，2
    # print(sess.run(update1))
    ## 单独运行，第3种显示结果
    # print(sess.run([update1,update]))  #两行输出结果 2，1
## 单独运行，第4种显示结果
    print(sess.run([update,update1]))  #两行输出结果 1，2

从上面的几种输出可以看出，sess.run 运行时，只执行和内容相关的步骤，
因此第一和第二种不只是数据颠倒，因为update执行了赋值的步骤
第三和第四则只是将数据改变了位置，其他没什么变化，说明多个数据的同时访问，是输入和输出同时发生的，没有先后顺序

第一种修改

改变一下代码会改变第三和第四的输出，输出变为1，0和0，1，two = one+one →two = 2*one，这表明在update1读取的数据state从1变成了没有经过赋值前的0 。
输入的x就是two = 2*one中的2，mul就是相乘操作，前面的那个只有一个one输入和add的加操作

two = 2*one
#two = tf.multiply(2,one)#同样的效果

第二种修改

不使用two中间参数，直接使用one，第三和第四的结果都是1，1，这时update1的state数据就是update赋值后的1，

 update1 = tf.multiply(state, one,name='update1')

通过上面两次代码修改，感觉是同时运行的数据读取更新时间问题，导致数据读取不同

有待证明或专业文档解释，没能理解数据更新和读取关系

1，two = one+one    结果 1，2
2，two = 2*one     结果1，0
3，one             结果1，0

多种tensorboard的函数的意义

参考：https://blog.csdn.net/weixin_41950276/article/details/82918372

1、tf.summary.scalar：用来显示标量信息
例如：tf.summary.scalar(‘mean’, mean)
一般在画loss,accuary时会用到这个函数。
2、tf.summary.histogram：用来显示直方图信息
例如： tf.summary.histogram(‘histogram’, var)
一般用来显示训练过程中变量的分布情况
3、tf.summary.distribution：分布图，一般用于显示weights分布
4、tf.summary.text：可以将文本类型的数据转换为tensor写入summary中
5、tf.summary.image：输出带图像的probuf，汇总数据的图像的的形式如下：
’ tag /image/0’, ’ tag /image/1’…，如：input/image/0等。
格式：tf.summary.image(tag, tensor, max_images=3, collections=None, name=Non
6、tf.summary.audio：展示训练过程中记录的音频
7、tf.summary.merge_all：merge_all 可以将所有summary全部保存到磁盘，以便tensorboard显示。如果没有特殊要求，一般用这一句就可一显示训练时的各种信息了。
格式：tf.summaries.merge_all(key=‘summaries’)
8、tf.summary.FileWriter：指定一个文件用来保存图。
格式：tf.summary.FileWritter(path,sess.graph)
可以调用其add_summary（）方法将训练过程数据保存在filewriter指定的文件中
9.tensorboard --logdir=/summary_dir ：开启tensorboard，注意/summary_dir不用加引号

可视化图像的源代码

参考：https://morvanzhou.github.io/tutorials/

"""
Know more, visit my Python tutorial page: https://morvanzhou.github.io/tutorials/
My Youtube Channel: https://www.youtube.com/user/MorvanZhou

Dependencies:
tensorflow: 1.1.0
numpy
"""
import tensorflow as tf
import numpy as np

tf.set_random_seed(1)
np.random.seed(1)

# fake data
x = np.linspace(-1, 1, 10)[:, np.newaxis]          # shape (100, 1)，修改后
noise = np.random.normal(0, 0.1, size=x.shape)
y = np.power(x, 2) + noise                          # shape (100, 1) + some noise

with tf.name_scope('Inputs'):
    tf_x = tf.placeholder(tf.float32, x.shape, name='x')
    tf_y = tf.placeholder(tf.float32, y.shape, name='y')

with tf.name_scope('Net'):
    l1 = tf.layers.dense(tf_x, 10, tf.nn.relu, name='hidden_layer')
    output = tf.layers.dense(l1, 1, name='output_layer')

    # add to histogram summary
    tf.summary.histogram('h_out', l1)
    tf.summary.histogram('pred', output)

loss = tf.losses.mean_squared_error(tf_y, output, scope='loss')
train_op = tf.train.GradientDescentOptimizer(learning_rate=0.5).minimize(loss)
tf.summary.scalar('loss', loss)     # add loss to scalar summary

sess = tf.Session()
sess.run(tf.global_variables_initializer())

writer = tf.summary.FileWriter('./log', sess.graph)     # write to file
merge_op = tf.summary.merge_all()                       # operation to merge all summary

for step in range(100):    ## 改变数据后图像数组数减少
    # train and net output
    _, result = sess.run([train_op, merge_op], {tf_x: x, tf_y: y})
    writer.add_summary(result, step)

# Lastly, in your terminal or CMD, type this :
# $ tensorboard --logdir path/to/log
# open you google chrome, type the link shown on your terminal or CMD. (something like this: http://localhost:6006)

图像的比较

参考：https://www.cnblogs.com/chouxianyu/p/12622914.html

输入数据量和循环执行次数

从下面的图像可以看出，线的条数和循环次数有关，
右边的值不是值的大小，而是结果每一组数据结果的次序，从上向下，从0开始递减值，
这里的值可以认为是神经网络中的参数值的分布情况，调整seed出现变化，颜色最深的图
数据时间变化，颜色由深到浅
需要改代码中的数据个数，和循环次数

修改网络的随机参数为199

tf.set_random_seed(199)

循环次数和输入次数改变

x = np.linspace(-1, 1, 10)[:, np.newaxis] 
for step in range(100): 

hist图像的细节显示

这里选择边界的74，是因为绘制直方图的中间点可能是小范围之间取值的连接线，导致取值不是整数

同种数据的不同显示形式，两种是把纵坐标偏移了