廢話不多說，直接上程式碼看吧！

import tensorflow as tf 
from tensorflow.examples.tutorials.mnist import input_data 
 
#載入資料集 
mnist = input_data.read_data_sets("MNIST_data",one_hot=True) 
 
#每個批次的大小和總共有多少個批次 
batch_size = 100 
n_batch = mnist.train.num_examples // batch_size 
 
#定義函式
def variable_summaries(var):
  with tf.name_scope('summaries'):
    mean = tf.reduce_mean(var)
    tf.summary.scalar('mean',mean) #平均值
    with tf.name_scope('stddev'):
      stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
    tf.summary.scalar('stddev',stddev) #標準差
    tf.summary.scalar('max',tf.reduce_max(var))
    tf.summary.scalar('min',tf.reduce_min(var))
    tf.summary.histogram('histogram',var) #直方圖
    
#名稱空間
with tf.name_scope("input"):
  #定義兩個placeholder 
  x = tf.placeholder(tf.float32,[None,784],name = "x_input") 
  y = tf.placeholder(tf.float32,10],name = "y_input") 
 
with tf.name_scope("layer"):
  #建立一個簡單的神經網路 
  with tf.name_scope('weights'):
    W = tf.Variable(tf.zeros([784,10]),name='W') 
    variable_summaries(W)
  with tf.name_scope('biases'):  
    b = tf.Variable(tf.zeros([10]),name='b') 
    variable_summaries(b)
  with tf.name_scope('wx_plus_b'): 
    wx_plus_b = tf.matmul(x,W)+b
  with tf.name_scope('softmax'):
    prediction = tf.nn.softmax(wx_plus_b) 
 
with tf.name_scope('loss'):
  #交叉熵代價函式 
  loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) 
  tf.summary.scalar('loss',loss)
with tf.name_scope('train'):
  #使用梯度下降法 
  train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss) 
 
#初始化變數 
init = tf.global_variables_initializer() 
 
with tf.name_scope('accuracy'):
  with tf.name_scope('correct_prediction'):
    #結果存放在一個布林型列表中 
    correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一維張量中最大的值所在的位置 
  with tf.name_scope('accuracy'):
    #求準確率 
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) 
    tf.summary.scalar('accuracy',accuracy)
 
#合併所有的summary
merged = tf.summary.merge_all()
 
with tf.Session() as sess: 
  sess.run(init) 
  writer = tf.summary.FileWriter("log/",sess.graph) #寫入到的位置
  for epoch in range(51): 
    for batch in range(n_batch): 
      batch_xs,batch_ys = mnist.train.next_batch(batch_size) 
      summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys}) 
    
    writer.add_summary(summary,epoch) 
    acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) 
    print("epoch " + str(epoch)+ "  acc " +str(acc)) 

執行程式，開啟命令列介面，切換到 log 所在目錄，輸入

tensorboard --logdir= --logdir=C:\Users\Administrator\Desktop\Python\log

接著會返回一個連結，類似 http://PC-20160926YCLU:6006

開啟谷歌瀏覽器或者火狐，輸入網址即可檢視搭建的網路結構以及識別準確率和損失函式的曲線圖。

注意：如果對網路進行更改之後，在執行之前應該先刪除log下的檔案，在Jupyter中應該選擇Kernel----->Restar & Run All,否則新網路會和之前的混疊到一起。因為每次的網址都是一樣的，在瀏覽器重新整理頁面即可。

以上這篇利用Tensorboard繪製網路識別準確率和loss曲線例項就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。