TensotFlow 应用实例：08-使用tensorboard可视化神经网络结构和训练结果
本文是我在学习TensotFlow 的时候所记录的笔记，共享出来希望能够帮助一些需要的人。
本文介绍了如何使用tensorboard进行神经网络结构的可视化，以及训练结果的可视化，代码如下：
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# tensorboard 的使用
# 添加神经层
def add_layer(inputs, in_size, out_size, layer_name, activation_function=None):
# Weights define
# 权重，尽量要是一个随机变量
# 随机变量在生成初始变量的时候比全部为零效果要好的很多
with tf.name_scope('layer'):
with tf.name_scope('weights'):
Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')
# histogram 直方图；柱状图 总结weights
tf.summary.histogram(layer_name + '/weights', Weights)
# biases define
# 偏值项，是一个列表，不是矩阵，默认设置为0 + 0.1
with tf.name_scope('biases'):
biases = tf.Variable(tf.add(tf.zeros([1, out_size]), 0.1), name='b')
# histogram 直方图；柱状图 总结biases
tf.summary.histogram(layer_name + '/biases', biases)
# W * x + b
with tf.name_scope('Wx_plus_b'):
Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)
# 如果activation_function是空的时候就表示是一个线性关系直接放回即可
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
# histogram 直方图；柱状图 总结biases
tf.summary.histogram(layer_name + '/outputs', outputs)
return outputs
# x_data 从-1到1的区间有300个单位
# [:, np.newaxis] 加上一个维度，有300行，有300个例子
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# noise
# 加上一个noise使得更像真实的数据
noise = np.random.normal(0, 0.05, x_data.shape)
# y_data = x_data^2 -0.5
y_data = np.square(x_data) - 0.5 + noise
# define xs ys
# placeholder
# 这里的None表示无论输入多少个sample都可以
# 是一个多行单列的矩阵，或者说是一个列表
with tf.name_scope('inputs'):
xs = tf.placeholder(tf.float32, [None, 1], name='x_input')
ys = tf.placeholder(tf.float32, [None, 1], name='y_input')
# 定义隐藏层 define hidden layer
l1 = add_layer(xs, 1, 10, layer_name='layer_01', activation_function=tf.nn.relu)
# 定义输出层 define output layer
# prediction layer
prediction = add_layer(l1, 10, 1, layer_name='layer_02', activation_function=None)
# loss function
# 损失函数 axis is new reduction_indices
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
axis=[1]))
# scalar 标量的；数量的；梯状的，分等级的 ，阶梯图显示loss
# 会在tensorboard的scalars(旧版是event)中显示，因此要和其他的区分一下
# 通过可视化去查看loss是一个非常必要的过程，这样可以看到你的loss有没有一点点的减少
# 从而判断你使用的optimizer是不是合适等。
tf.summary.scalar('loss', loss)
# 进行训练
# 设置学习速率为0.1 通常设置为小于1的数字
with tf.name_scope('train'):
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 对所有的变量进行初始化
# this a very important step
# 如果不进行初始化后续将无法运行
# initialize_all_variables deprecated("2017-03-02", "Use `tf.global_variables_initializer` instead.")
init = tf.global_variables_initializer()
sess = tf.Session()
# 定义一个FileWriter，记录log
# merged 合并所有的summary，打包后放到FileWriter
merged = tf.summary.merge_all()
writer = tf.summary.FileWriter('logs/', sess.graph)
# 运行程序后会在logs下生产一些events.out.tfevents.1497450249.开头的文件，
# 然后使用 `tensorboard --logdi./logs` 命令
# 会运行一个服务，在浏览器打开显示的地址即可，我这里显示的是
# Starting TensorBoard b'54' at http://CydeMBP:6006
# (Press CTRL+C to quit)
sess.run(init)
# 生成一个图片框
fig = plt.figure()
# 1, 1, 1 表示一行一列 第一个
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data)
# show 的时候把程序暂停看了
# 新版可以使用plt.ion()的方式来继续划线
# 旧版本中 使用plt.show(block=False)
plt.ion()
plt.show()
#
for i in range(1000):
# train_step 训练
# 其中的feed_dict is input data
sess.run(train_step,
feed_dict={xs: x_data, ys: y_data})
if i % 50 is 0:
# run loss, 只要是使用了placeholder的地方都要使用feed_dict传入
# print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
try:
# remove line
ax.lines.remove(lines[0])
except Exception:
pass
prediction_value = sess.run(prediction,
feed_dict={xs: x_data, ys: y_data})
# x, y, 红线, 线宽=5
lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
# 暂停0.1秒
plt.pause(0.1)
# tensorboard 相关的操作
result = sess.run(merged,
feed_dict={xs: x_data, ys: y_data})
# 其中i是记录的步数，50步计数一次
writer.add_summary(result, i)
本文代码GitHub地址 tensorflow_learning_notes
