Tensorflow可视化工具Tensorboard使用方法
声明：本文转自博主http://blog.****.net/jerry81333/article/details/53004903，因为博主写的很简洁易懂，所以转来收藏。如有侵权，请告知删除。
Tensorboard：
如何更直观的观察数据在神经网络中的变化，或是已经构建的神经网络的结构。上一篇文章说到，可以使用matplotlib第三方可视化，来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard，并且能更直观的看见整个神经网络的结构。
上面的结构图甚至可以展开，变成：
使用：
结构图：
- with tensorflow .name_scope(layer_name):
- with tf.name_scope(layer_name):
- with tf.name_scope('weights'):
- with tf.name_scope('weights'):
- Weights = tf.Variable(tf.random_normal([in_size,out_size]))
结构图符号及意义：
变量：
变量则可使用Tensorflow.histogram_summary()方法：
- tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights赋值
常量：
常量则可使用Tensorflow.scalar_summary()方法：
- tf.scalar_summary('loss',loss) #命名和赋值
展示：
最后需要整合和存储SummaryWriter：
- #合并到Summary中
- merged = tf.merge_all_summaries()
- #选定可视化存储目录
- writer = tf.train.SummaryWriter("/目录",sess.graph)
- result = sess.run(merged) #merged也是需要run的
- writer.add_summary(result,i)
运行后，会在相应的目录里生成一个文件，执行：
- tensorboard --logdir="/目录"
浏览器中打开这个网址即可，因为有兼容问题，firefox并不能很好的兼容，建议使用Chrome。
常量在Event中，结构图在Graphs中，变量在最后两个Tag中。
- import tensorflow as tf
- import numpy as np
- def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None线性函数
- layer_name="layer%s" % n_layer
- with tf.name_scope(layer_name):
- with tf.name_scope('weights'):
- Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是随机变量
- tf.histogram_summary(layer_name+"/weights",Weights) #可视化观看变量
- with tf.name_scope('biases'):
- biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推荐初始值不为0
- tf.histogram_summary(layer_name+"/biases",biases) #可视化观看变量
- with tf.name_scope('Wx_plus_b'):
- Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases
- tf.histogram_summary(layer_name+"/Wx_plus_b",Wx_plus_b) #可视化观看变量
- if activation_function is None:
- outputs = Wx_plus_b
- else:
- outputs = activation_function(Wx_plus_b)
- tf.histogram_summary(layer_name+"/outputs",outputs) #可视化观看变量
- return outputs
- #创建数据x_data，y_data
- x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]区间，300个单位，np.newaxis增加维度
- noise = np.random.normal(0,0.05,x_data.shape) #噪点
- y_data = np.square(x_data)-0.5+noise
- with tf.name_scope('inputs'): #结构化
- xs = tf.placeholder(tf.float32,[None,1],name='x_input')
- ys = tf.placeholder(tf.float32,[None,1],name='y_input')
- #三层神经，输入层（1个神经元），隐藏层（10神经元），输出层（1个神经元）
- l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隐藏层
- prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #输出层
- #predition值与y_data差别
- with tf.name_scope('loss'):
- loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值
- tf.scalar_summary('loss',loss) #可视化观看常量
- with tf.name_scope('train'):
- train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差
- init = tf.initialize_all_variables()
- sess = tf.Session()
- #合并到Summary中
- merged = tf.merge_all_summaries()
- #选定可视化存储目录
- writer = tf.train.SummaryWriter("Desktop/",sess.graph)
- sess.run(init) #先执行init
- #训练1k次
- for i in range(1000):
- sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
- if i%50==0:
- result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #merged也是需要run的
- writer.add_summary(result,i) #result是summary类型的，需要放入writer中，i步数（x轴）