tensorboard常用于更直觀的觀察數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)中的變化，或者用于觀測已經(jīng)構(gòu)建完成的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。其有助于我們更加方便的去觀測tensorflow神經(jīng)網(wǎng)絡(luò)的搭建情況以及執(zhí)行情況。

創(chuàng)新互聯(lián)長期為近1000家客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對(duì)不同對(duì)象提供差異化的產(chǎn)品和服務(wù)；打造開放共贏平臺(tái)，與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為翠屏企業(yè)提供專業(yè)的網(wǎng)站建設(shè)、成都做網(wǎng)站，翠屏網(wǎng)站改版等技術(shù)服務(wù)。擁有十多年豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開發(fā)。

tensorboard相關(guān)函數(shù)及其常用參數(shù)設(shè)置

常用的tensorboard相關(guān)函數(shù)代碼有七個(gè)：

1 with tf.name_scope(layer_name):

TensorFlow中的name_scope函數(shù)的作用是創(chuàng)建一個(gè)參數(shù)名稱空間。這個(gè)空間里包括許多參數(shù)，每個(gè)參數(shù)有不同的名字，這樣可以更好的管理參數(shù)空間，防止變量命名時(shí)產(chǎn)生沖突。

利用該函數(shù)可以生成相對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

該函數(shù)支持嵌套。

在該標(biāo)題中，該參數(shù)名稱空間空間的名字為layer_name。

2 tf.summary.histogram(layer_name+"/biases",biases)

該函數(shù)用于將變量記錄到tensorboard中。用來顯示直方圖信息。

一般用來顯示訓(xùn)練過程中變量的分布情況。

在該標(biāo)題中，biases的直方圖信息被記錄到tensorboard的layer_name+"/biases"中。

3 tf.summary.scalar(“l(fā)oss”,loss)

用來進(jìn)行標(biāo)量信息的可視化與顯示。

一般在畫loss曲線和accuary曲線時(shí)會(huì)用到這個(gè)函數(shù)。

在該標(biāo)題中，loss的標(biāo)量信息被記錄到tensorboard的"loss"中。

4 tf.summary.merge_all()

將之前定義的所有summary整合在一起。

tf.summary.scalar、tf.summary.histogram、tf.summary.image在定義的時(shí)候，也不會(huì)立即執(zhí)行，需要通過sess.run來明確調(diào)用這些函數(shù)。因?yàn)椋谝粋€(gè)程序中定義的寫日志操作比較多，如果一一調(diào)用，將會(huì)十分麻煩，所以Tensorflow提供了tf.summary.merge_all()函數(shù)將所有的summary整理在一起。在TensorFlow程序執(zhí)行的時(shí)候，只需要運(yùn)行這一個(gè)操作就可以將代碼中定義的所有寫summary內(nèi)容執(zhí)行一次，從而將所有的summary內(nèi)容寫入。

5 tf.summary.FileWriter(“l(fā)ogs/”,sess.graph)

將summary內(nèi)容寫入磁盤文件，F(xiàn)ileWriter類提供了一種用于在給定目錄下創(chuàng)建事件文件的機(jī)制，并且將summary數(shù)據(jù)寫入硬盤。

在該標(biāo)題中，summary數(shù)據(jù)被寫入logs文件夾中。

6 write.add_summary(result,i)

該函數(shù)成立前提為：

write = tf.summary.FileWriter("logs/",sess.graph)

add_summary是tf.summary.FileWriter父類中的成員函數(shù);添加summary內(nèi)容到事件文件，寫入事件文件。

在該標(biāo)題中，result是tf.summary.merge_all()執(zhí)行的結(jié)果，i表示世代數(shù)。

7 tensorboard --logdir=logs

該函數(shù)用于cmd命令行中。用于生成tensorboard觀測網(wǎng)頁。

例子

該例子為手寫體識(shí)別例子。

import tensorflow as tf

import numpy as np

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")

def add_layer(inputs,in_size,out_size,n_layer,activation_function = None):

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]),name = "Weights")

tf.summary.histogram(layer_name+"/weights",Weights)

with tf.name_scope("biases"):

biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")

tf.summary.histogram(layer_name+"/biases",biases)

with tf.name_scope("Wx_plus_b"):

Wx_plus_b = tf.matmul(inputs,Weights) + biases

tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)

if activation_function == None :

outputs = Wx_plus_b

else:無錫人流多少錢 http://www.bhnnk120.com/

outputs = activation_function(Wx_plus_b)

tf.summary.histogram(layer_name+"/outputs",outputs)

return outputs

def compute_accuracy(x_data,y_data):

global prediction

y_pre = sess.run(prediction,feed_dict={xs:x_data})

correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1)) #判斷是否相等

accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #賦予float32數(shù)據(jù)類型，求平均。

result = sess.run(accuracy,feed_dict = {xs:batch_xs,ys:batch_ys}) #執(zhí)行

return result

xs = tf.placeholder(tf.float32,[None,784])

ys = tf.placeholder(tf.float32,[None,10])

layer1 = add_layer(xs,784,150,"layer1",activation_function = tf.nn.tanh)

prediction = add_layer(layer1,150,10,"layer2")

with tf.name_scope("loss"):

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=ys,logits = prediction),name = 'loss')

#label是標(biāo)簽，logits是預(yù)測值，交叉熵。

tf.summary.scalar("loss",loss)

train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

init = tf.initialize_all_variables()

merged = tf.summary.merge_all()

with tf.Session() as sess:

sess.run(init)

write = tf.summary.FileWriter("logs/",sess.graph)

for i in range(5001):

batch_xs,batch_ys = mnist.train.next_batch(100)

sess.run(train,feed_dict = {xs:batch_xs,ys:batch_ys})

if i % 1000 == 0:

print("訓(xùn)練%d次的識(shí)別率為：%f。"%((i+1),compute_accuracy(mnist.test.images,mnist.test.labels)))

result = sess.run(merged,feed_dict={xs:batch_xs,ys:batch_ys})

write.add_summary(result,i)

該例子執(zhí)行結(jié)果為：

結(jié)構(gòu)圖：

LOSS值：

weights，biases的直方圖分布