tensorflow學習(3.tensorboard的使用)
阿新 • • 發佈:2018-12-12
程式碼如下:
#tf可以認為是全域性變數,從該變數為類,從中取input_data變數 import tensorflow.examples.tutorials.mnist.input_data as input_data import tensorflow as tf #讀取資料集 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) #這裡用CNN方法進行訓練 #函式定義部分 def weight_variable(shape): initial=tf.truncated_normal(shape,stddev=0.1)#隨機權重賦值,不過truncated_normal代表如果是2倍標準差之外的結果重新選取該值 return tf.Variable(initial) def bias_variable(shape): initial=tf.constant(0.1,shape=shape)#偏置項 return tf.Variable(initial) def conv2d(x,W): return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#SAME表示輸出補邊,這裡輸出與輸入尺寸一致 def max_pool_2x2(x): return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#ksize代表池化範圍的大小,stride為掃描步長 # 這裡是變數的佔位符,一般是輸入輸出使用該部分 x=tf.placeholder(tf.float32,[None,784]) y_=tf.placeholder("float",[None,10]) x_image=tf.reshape(x,[-1,28,28,1])#-1表示自動計算該維度 #該部分會說明tensorboard的使用,tensorboard會顯示常量、變數、結構圖等 #這裡做一些常見資料的顯示,如結構圖的顯示,訓練的loss,某個節點權重值的變化 #結構圖的顯示,這裡顯示是分部分的,第一層在建立時可以按照下面的方式 #正常建立第一層 #W_conv1=weight_variable([5,5,1,32]) #b_conv1=bias_variable([32]) #h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1) #h_pool1=max_pool_2x2(h_conv1) #建立第一層,並指定該部分在tensorboard顯示 #這裡在顯示時建立了兩層結構,第二層結構在part1的內部結構,放大後可以顯示,後續我們只著重大的模組 with tf.name_scope('part1'):#指定顯示的結構圖的部分 with tf.name_scope('weights1'): W_conv1=weight_variable([5,5,1,32]) with tf.name_scope('bias1'): b_conv1=bias_variable([32]) with tf.name_scope('h_conv1'): h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1) with tf.name_scope('h_pool1'): h_pool1=max_pool_2x2(h_conv1) #第二層 with tf.name_scope('part2'): W_conv2=weight_variable([5,5,32,64]) b_conv2=bias_variable([64]) h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2) h_pool2=max_pool_2x2(h_conv2) #第三層,而且這裡是全連線層 with tf.name_scope('part3'): with tf.name_scope('fcn1_dropout'): W_fc1=weight_variable([7*7*64,1024]) b_fc1=bias_variable([1024]) h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64]) h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1) #dropout,注意這裡也是有一個輸入引數的,和x以及y一樣 keep_prob=tf.placeholder(tf.float32) h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob) with tf.name_scope('fcn2_softmax'): W_fc2=weight_variable([1024,10]) b_fc2=bias_variable([10]) y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2) #之上是網路顯示的部分 # 評價函式 cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv)) train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) tf.summary.scalar('cross_entropy',cross_entropy)#顯示優化函式的變化 tf.summary.scalar('accuracy',accuracy)#顯示訓練的準確率 # 啟動模型,Session建立這樣一個物件,然後指定某種操作,並實際進行該步 init=tf.initialize_all_variables() sess=tf.Session() #之前只是指定了顯示的部分,我們需要將它們整合 merged=tf.summary.merge_all() #tensorboard資訊需要寫到檔案中,這裡定義寫檔案的部分writer writer=tf.summary.FileWriter("MNIST_board/", sess.graph) sess.run(init) #資料讀取部分 for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(50)#這裡貌似是代表讀取50張影象資料 #run第一個引數是fetch,可以是tensor也可以是Operation,第二個feed_dict是替換tensor的值 ''' if i % 10 == 0: train_accuracy = accuracy.eval(feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5}) print("step:%d,accuracy:%g" % (i, train_accuracy)) ''' sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})#sess.run第一個引數是想要執行的位置,一般有train,accuracy,initdeng #第二個引數feed_dict,一般是輸入引數,該程式碼裡有x,y以及drop的引數 if i%20==0 : print(i) print("train accuracy:%g"%sess.run(accuracy, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})) result = sess.run(merged, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})#merged也是tf中的,也需要session的執行 writer.add_summary(result, i)#這裡代表寫入,因為只有單次所以應該寫在迴圈中,不然會只有一次的結果 print("test accuracy:%g"%sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1})) writer.close()
具體的用法見註釋
可以看到執行結果:
然後anaconda Prompt中輸入命令:
這樣應該有網址出現,複製開啟即可,不過貌似本人電腦缺少部分檔案,一直沒有成功,也是比較心塞的