【TensorFlow】5 Tensorboard的簡易使用
阿新 • • 發佈:2018-12-20
5-1 使用Tensorboard檢視簡單向量相加
import tensorflow as tf input1=tf.constant([1.0,2.0],name="input1") input2=tf.Variable(tf.random_uniform([2]),name="input2") output= tf.add_n([input1,input2],name="add") with tf.Session() as sess: sess.run(tf.global_variables_initializer()) writer=tf.summary.FileWriter("F:/logs4",sess.graph)
- 執行程式碼後,在"F:/logs6"位置生成用於tensorboard的顯示資訊。
- Windows下,在CMD開啟後輸入以下命令:tensorboard --logdir F:/logs4 (路徑可變化,但不可含有中文字元)。
- 在瀏覽器中輸入提示網址開啟tensorboard,得到計算圖的視覺化資訊。
5-2 使用Tensorboard檢視簡單神經網路結構
“為了更好組織視覺化效果圖中的計算節點,TensorFlow計算圖同一個名稱空間下的所有節點會被縮略成一個節點
tf,variable_scope函式與tf.name_scope函式提供名稱空間管理功能。”
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 batch_size = 100 #計算一共有多少個批次 n_batch = mnist.train.num_examples // batch_size #定義兩個placeholder with tf.name_scope("input"): x = tf.placeholder(tf.float32,[None,784],name="input_x") y = tf.placeholder(tf.float32,[None,10],name="input_y") #建立一個簡單的神經網路 with tf.name_scope("L1_weights"): with tf.name_scope("L1"): W = tf.Variable(tf.zeros([784,10]),name="L1_w1") with tf.name_scope("L1_bias"): b = tf.Variable(tf.zeros([10]),name="L1_b1") with tf.name_scope("L"): L1=tf.matmul(x,W)+b with tf.name_scope("softmax"): prediction = tf.nn.softmax(tf.nn.tanh(L1)) #二次代價函式 with tf.name_scope("Loss"): loss = tf.reduce_mean(tf.square(y-prediction)) #使用梯度下降法 with tf.name_scope("train"): train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss) #初始化變數 init = tf.global_variables_initializer() #結果存放在一個布林型列表中 with tf.name_scope("accuracy"): with tf.name_scope("correct_prediction"): 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 #求準確率 with tf.name_scope("accuracy"): accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) with tf.Session() as sess: sess.run(init) writer=tf.summary.FileWriter("F:/logs6",sess.graph) for epoch in range(5): for batch in range(n_batch): batch_xs,batch_ys = mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys}) acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))
5-3 使用Tensorboard檢視執行時資料變化