這篇文章將為大家詳細講解有關如何在Tensorflow中使用Tensorboard實現(xiàn)可視化，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

為祿豐等地區(qū)用戶提供了全套網(wǎng)頁設計制作服務，及祿豐網(wǎng)站建設行業(yè)解決方案。主營業(yè)務為網(wǎng)站設計、網(wǎng)站建設、祿豐網(wǎng)站設計，以傳統(tǒng)方式定制建設網(wǎng)站，并提供域名空間備案等一條龍服務，秉承以專業(yè)、用心的態(tài)度為用戶提供真誠的服務。我們深信只要達到每一位用戶的要求，就會得到認可，從而選擇與我們長期合作。這樣，我們也可以走得更遠！

Tensorboard：

如何更直觀的觀察數(shù)據(jù)在神經網(wǎng)絡中的變化，或是已經構建的神經網(wǎng)絡的結構。上一篇文章說到，可以使用matplotlib第三方可視化，來進行一定程度上的可視化。然而Tensorflow也自帶了可視化模塊Tensorboard，并且能更直觀的看見整個神經網(wǎng)絡的結構。

上面的結構圖甚至可以展開，變成：

使用：

結構圖：

with tensorflow .name_scope(layer_name):

直接使用以上代碼生成一個帶可展開符號的一個域，并且支持嵌套操作：

with tf.name_scope(layer_name): 
  with tf.name_scope('weights'):

節(jié)點一般是變量或常量，需要加一個“name=‘'”參數(shù)，才會展示和命名，如：

with tf.name_scope('weights'): 
  Weights = tf.Variable(tf.random_normal([in_size,out_size]))

結構圖符號及意義：

變量：

變量則可使用Tensorflow.histogram_summary()方法：

tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights賦值

常量：

常量則可使用Tensorflow.scalar_summary()方法：

tf.scalar_summary('loss',loss) #命名和賦值

展示：

最后需要整合和存儲SummaryWriter：

#合并到Summary中 
merged = tf.merge_all_summaries() 
#選定可視化存儲目錄 
writer = tf.train.SummaryWriter("/目錄",sess.graph)

merged也是需要run的，因此還需要：

result = sess.run(merged) #merged也是需要run的 
  writer.add_summary(result,i)

執(zhí)行：

運行后，會在相應的目錄里生成一個文件，執(zhí)行：

tensorboard --logdir="/目錄"

會給出一段網(wǎng)址：

瀏覽器中打開這個網(wǎng)址即可，因為有兼容問題，firefox并不能很好的兼容，建議使用Chrome。

常量在Event中，結構圖在Graphs中，變量在最后兩個Tag中。

附項目代碼：

項目承接自上一篇文章（已更新至最新Tensorflow版本API r1.2）：

import tensorflow as tf  
import numpy as np  
  
def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None線性函數(shù)  
  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中都是隨機變量  
      tf.summary.histogram(layer_name+"/weights",Weights) #可視化觀看變量  
    with tf.name_scope('biases'):  
      biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推薦初始值不為0  
      tf.summary.histogram(layer_name+"/biases",biases) #可視化觀看變量  
    with tf.name_scope('Wx_plus_b'):  
      Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases  
      tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b) #可視化觀看變量  
    if activation_function is None:  
      outputs = Wx_plus_b  
    else:  
      outputs = activation_function(Wx_plus_b)  
    tf.summary.histogram(layer_name+"/outputs",outputs) #可視化觀看變量  
    return outputs  
  
#創(chuàng)建數(shù)據(jù)x_data，y_data  
x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]區(qū)間，300個單位，np.newaxis增加維度  
noise = np.random.normal(0,0.05,x_data.shape) #噪點  
y_data = np.square(x_data)-0.5+noise  
  
with tf.name_scope('inputs'): #結構化  
  xs = tf.placeholder(tf.float32,[None,1],name='x_input')  
  ys = tf.placeholder(tf.float32,[None,1],name='y_input')  
  
#三層神經，輸入層（1個神經元），隱藏層（10神經元），輸出層（1個神經元）  
l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隱藏層  
prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #輸出層  
  
#predition值與y_data差別  
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.summary.scalar('loss',loss) #可視化觀看常量  
with tf.name_scope('train'):  
  train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1學習效率,minimize(loss)減小loss誤差  
  
init = tf.initialize_all_variables()  
sess = tf.Session()  
#合并到Summary中  
merged = tf.summary.merge_all()  
#選定可視化存儲目錄  
writer = tf.summary.FileWriter("Desktop/",sess.graph)  
sess.run(init) #先執(zhí)行init  
  
#訓練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類型的，需要放入writer中，i步數(shù)（x軸）

關于如何在Tensorflow中使用Tensorboard實現(xiàn)可視化就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。

另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

當前題目：如何在Tensorflow中使用Tensorboard實現(xiàn)可視化-創(chuàng)新互聯(lián)
網(wǎng)址分享：http://jinyejixie.com/article40/coiheo.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站制作、外貿建站、外貿網(wǎng)站建設、網(wǎng)站收錄、企業(yè)建站、建站公司

廣告

聲明：本網(wǎng)站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)