python2版本-莫烦tensorflow可视化2

最新推荐文章于 2022-09-26 15:27:27 发布

原创最新推荐文章于 2022-09-26 15:27:27 发布 · 1.8k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #机器学习

本文介绍如何使用TensorFlow 2.x创建一个简单的神经网络模型，包括定义层、添加激活函数、损失函数和优化器，以及使用histogram可视化训练过程。通过实例展示了如何处理数据、设置占位符和训练，并使用TensorBoard监控模型性能。

import tensorflow._api.v2.compat.v1 as tf
import numpy as np
tf.disable_v2_behavior()

def add_layer(input, insize, outsize, n_layer, active_function=None):
    layer_name = 'layer%s' % n_layer  
    with tf.name_scope(layer_name):  # 定义层的大框架，用做神经网络的结构图
        with tf.name_scope('Weights'):  # 定义大框架之中的小内容
            Wights = tf.Variable(tf.random_normal([insize, outsize]))
            tf.summary.histogram(layer_name + '/weights', Wights)#要进行可视化的参数
        with tf.name_scope('biases'):
            bias = tf.Variable(tf.zeros([1, outsize]) + 0.1)
            tf.summary.histogram(layer_name + '/biases', bias)
        with tf.name_scope('Wx_plus_bias'):
            Wx_plus_bias = tf.matmul(input, Wights) + bias
        if active_function is None:
            output = Wx_plus_bias
        else:
            output = active_function(Wx_plus_bias)
        tf.summary.histogram(layer_name + '/output', output)
        return output

# 要进行拟合的数据
x_data = np.linspace(-1, 1, 300)[:, np.newaxis].astype('float32')
# 在-1和1之间随机生成300个数，定义类型为float32，newaxis表示维度
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

# 对输入的数据进行占位符
with tf.name_scope('inputs'):  # 为生成神经网络的结构图，将两个输入放入 ’inputs‘的框架之中
    x = tf.placeholder(tf.float32, [None, 1], name='x_input')
    y = tf.placeholder(tf.float32, [None, 1], name='y_input')
l1 = add_layer(x, 1, 10, n_layer=1, active_function=tf.nn.relu)
prediction = add_layer(l1, 10, 1, n_layer=2, active_function=None)

# 定义损失
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(y - prediction, name='reduce_sum'), reduction_indices=[1], name='reduce_sum'),
        name='reduce_mean')
    tf.summary.scalar('loss', loss)
with tf.name_scope('train_step'):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)


sess = tf.Session()
merged = tf.summary.merge_all()
# 合并前面的各项参数图
writer = tf.summary.FileWriter('E:\python_file\logs', sess.graph)
# 将可视化的图表文件保存到指定文件夹
init = tf.global_variables_initializer()
#初始化所有变量
sess.run(init)

for i in range(1000):
    sess.run(train_step, feed_dict={x: x_data, y: y_data})
#进行训练
    if i % 50 == 0:  # print(sess.run(loss,feed_dict={x:x_data,y:y_data}))
        result = sess.run(merged, feed_dict={x: x_data, y: y_data})
        writer.add_summary(result, i)   #每间隔50步记录一个点

先运行代码，最后打开terminal终端

运行tensorboard --logdir =logs