Tensorboard可視化(一)
- 2019 年 10 月 6 日
- 筆記
Tensorboard可視化(一)
1.搭建圖紙
input層開始
# 將xs和ys包含進來，形成一個大的圖層，圖層名字叫做inputs with tf.name_scope('inputs'): # 為xs指定名稱x_input xs = tf.placeholder(tf.float32, [None, 1],name='x_input') # 為ys指定名稱y_input ys = tf.placeholder(tf.float32, [None, 1],name='y_input')
layer層
# 定義添加神經層的函數 def add_layer(inputs,in_size,out_size,activation_function=None): # 定義大框架名字為layer with tf.name_scope('layes'): # 框架裡面的小部件Weights定義,同時也可以在weights中指定名稱W(將會在Weights展開後顯示) with tf.name_scope('weights'): Weights=tf.Variable(tf.random_uniform([in_size,out_size]),name='W') # 框架裡面的小部件biases定義 with tf.name_scope('biases'): biases=tf.Variable(tf.zeros([1,out_size])+0.1) # 框架裡面的小部件Wx_plus_b定義 with tf.name_scope('Wx_plus_b'): Wx_plus_b=tf.matmul(inputs,Weights)+biases ''' activation_function 的話，可以暫時忽略。因為當選擇 用 tensorflow 中的激勵函數（activation function）的時候， tensorflow會默認添加名稱,這個可以在圖形呈現後對比兩個layer層進行查看 ''' if activation_function is None: outputs=Wx_plus_b else: outputs=activation_function(Wx_plus_b) return outputs
定義兩層
# 定義隱藏層 l1=add_layer(xs,1,10,activation_function=tf.nn.relu) # 定義輸出層 prediction=add_layer(l1,10,1,activation_function=None)
繪製loss
# 計算預測值prediction與真實值的誤差，對兩者差的平方求和再取平均 with tf.name_scope('loss'): loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))
繪製train
# 機器學習提升準確率 with tf.name_scope('train'): train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 0.1表示學習效率
收集框架並存儲至logs/目錄
sess=tf.Session() writer=tf.summary.FileWriter("logs/",sess.graph)
PyCharm Terminal直接進入項目根目錄，運行
tensorboard --logdir=logs,複製相應的鏈接至Google瀏覽器即可！
2.可視化問題
如果可視化不出來，瀏覽器輸入localhost:你的dos下的埠號，進去了沒有圖片，請檢查運行命令，
tensorboard --logdir=logs
這個運行命令中logs沒有單引號！！！
3.學習文章
https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/4-1-tensorboard2/
