Tensorboard：
如何更直觀的觀察數據在神經網絡中的變化，或是已經構建的神經網絡的結構。上一篇文章說到，可以使用matplotlib第三方可視化，來進行一定程度上的可視化。然而Tensorflow也自帶了可視化模塊Tensorboard，并且能更直觀的看見整個神經網絡的結構。
上面的結構圖甚至可以展開，變成：
使用：
結構圖：
with tensorflow .name_scope(layer_name):
直接使用以上代碼生成一個帶可展開符號的一個域，并且支持嵌套操作：
with tf.name_scope(layer_name): with tf.name_scope('weights'): 節點一般是變量或常量，需要加一個“name=‘'”參數，才會展示和命名，如：
with tf.name_scope('weights'): Weights = tf.Variable(tf.random_normal([in_size,out_size])) 
結構圖符號及意義：
變量：
變量則可使用Tensorflow.histogram_summary()方法：
tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights賦值
常量：
常量則可使用Tensorflow.scalar_summary()方法：
tf.scalar_summary('loss',loss) #命名和賦值 
展示：
最后需要整合和存儲SummaryWriter：
#合并到Summary中 merged = tf.merge_all_summaries() #選定可視化存儲目錄 writer = tf.train.SummaryWriter("/目錄",sess.graph) merged也是需要run的，因此還需要：
result = sess.run(merged) #merged也是需要run的 writer.add_summary(result,i)
執行：
運行后，會在相應的目錄里生成一個文件，執行：
tensorboard --logdir="/目錄"
會給出一段網址：
瀏覽器中打開這個網址即可，因為有兼容問題，firefox并不能很好的兼容，建議使用Chrome。
常量在Event中，結構圖在Graphs中，變量在最后兩個Tag中。
附項目代碼：
項目承接自上一篇文章（已更新至最新Tensorflow版本API r1.2）：
import tensorflow as tf import numpy as np def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None線性函數 layer_name="layer%s" % n_layer with tf.name_scope(layer_name): with tf.name_scope('weights'): Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是隨機變量 tf.summary.histogram(layer_name+"/weights",Weights) #可視化觀看變量 with tf.name_scope('biases'): biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推薦初始值不為0 tf.summary.histogram(layer_name+"/biases",biases) #可視化觀看變量 with tf.name_scope('Wx_plus_b'): Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b) #可視化觀看變量 if activation_function is None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) tf.summary.histogram(layer_name+"/outputs",outputs) #可視化觀看變量 return outputs #創建數據x_data，y_data x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]區間，300個單位，np.newaxis增加維度 noise = np.random.normal(0,0.05,x_data.shape) #噪點 y_data = np.square(x_data)-0.5+noise with tf.name_scope('inputs'): #結構化 xs = tf.placeholder(tf.float32,[None,1],name='x_input') ys = tf.placeholder(tf.float32,[None,1],name='y_input') #三層神經，輸入層（1個神經元），隱藏層（10神經元），輸出層（1個神經元） l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隱藏層 prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #輸出層 #predition值與y_data差別 with tf.name_scope('loss'): loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值 tf.summary.scalar('loss',loss) #可視化觀看常量 with tf.name_scope('train'): train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1學習效率,minimize(loss)減小loss誤差 init = tf.initialize_all_variables() sess = tf.Session() #合并到Summary中 merged = tf.summary.merge_all() #選定可視化存儲目錄 writer = tf.summary.FileWriter("Desktop/",sess.graph) sess.run(init) #先執行init #訓練1k次 for i in range(1000): sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) if i%50==0: result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #merged也是需要run的 writer.add_summary(result,i) #result是summary類型的，需要放入writer中，i步數（x軸） 以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持VEVB武林網。
新聞熱點
疑難解答
