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)
 

1. 執行程式碼後，在"F:/logs6"位置生成用於tensorboard的顯示資訊。
2. 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）。
3. 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