以上一篇簡單的線性方程梯度下降程式碼為例

-------------------------------------------------------------

第1步：收集變數

#收集損失tensor
tf.compat.v1.summary.scalar(name='losses',tensor=loss)
#收集高維度的變數引數
tf.compat.v1.summary.histogram(name='weight',values=weight)

第2步:合併變數寫入事件檔案

merged=tf.compat.v1.summary.merge_all()

第3步：執行程式，生成檔案

summary = sess.run(merged)  

filewriter.add_summary(summary, i)#注意這裡的filewriter為檔案事件。filewriter=tf.compat.v1.summary.FileWriter('./tmp/test', sess.graph)

第4步：執行Tensorboard命令

tensorboard --logdir="./Main/tmp/test/" #注意這裡用逗號來區別地址

第5步：檢視效果

 1 def myregression():
 2     #由於在tensofflow2.0以上的版本，eager execution 是預設開啟的。如果不加此語句，直接執行程式將會報錯
 

 3     tf.compat.v1.disable_eager_execution()
 4     '''
 5     自實現一個線性迴歸預測
 6     :return:
 7     '''
 8     #1.準備資料，x特徵值[100,1]，y目標值[100]
 9     x=tf.compat.v1.random_normal([100,1],mean=1.75,stddev=0.5,name='x_data')
10     #假設y的真實值為y=0.7x+0.8,a的值隨機給為0.7，b偏置的值隨機給0.8
11     #矩陣相系必須是二維的，故[[0.7]]  y_true為訓練集資料
12
 
     y_true=tf.matmul(x,[[0.7]])+0.8
13 
14     #第二步：建立線性迴歸模型。確認了只有一個特徵，故只有一個權重，一個偏置 y= w x+b
15     #隨機給一個權重和偏置的值，讓他去計算損失，然後當前狀態下優化
16     #因為權重訓練的過程中，不斷變化，故初始化用的是variable.mean和stddev隨機給為0.0，1.0
17     weight=tf.Variable(tf.compat.v1.random_normal([1,1],mean=0.0,stddev=1.0,name='w'))
18     #偏置初始值為0.0，後面下降時不斷+1
19     bias=tf.Variable(0.0,name='b')
20     #預測的結果=x * weight +bias
21     y_predict=tf.matmul(x,weight)+bias
22 
23     #3、建立損失波函式，均方誤差.--先求每個樣本的誤差的平方，然後將誤差平方進行求和之後求平均值。 即全部相減求平方之後再相加的總數再除以樣本數
24     #最後返回其損失
25     loss=tf.math.reduce_mean(tf.math.square(y_true-y_predict))
26     #收集損失tensor
27     tf.compat.v1.summary.scalar(name='losses',tensor=loss)
28     #收集高維度的變數引數
29     tf.compat.v1.summary.histogram(name='weight',values=weight)
30     merged=tf.compat.v1.summary.merge_all()
31     #4、梯度下降優化損失 learning_rate隨機指定.最小化損失.返回op
32     train_op=tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)
33 
34     #定義一個初始化變數的op
35     init_op=tf.compat.v1.global_variables_initializer()
36     #通過會話執行程式
37     with tf.compat.v1.Session() as sess:
38         #初始化變數
39         sess.run(init_op)
40         #列印隨機最先初始化的權重和偏置
41         print('隨機初始化的引數權重為：%f,偏置為%f'%(weight.eval(),bias.eval()))#因為weigth和bias都為op,不能直接調出數值
42 
43         #執行優化，由於不是一次效能優化，故要迴圈，假設訓練100次
44         #迴圈1000次後，發現已經靠近w--0.7,b==0.8
45         filewriter=tf.compat.v1.summary.FileWriter('./tmp/test', sess.graph)
46         for i in range(1010):
47             sess.run(train_op)
48             print('引數權重為：%f,偏置為%f' % (weight.eval(), bias.eval()))  # 因為weigth和bias都為op,不能直接調出數值
49             # 執行merged op
50             summary = sess.run(merged)
51             filewriter.add_summary(summary, i)
52 
53     return None