這篇文章將為大家詳細講解有關如何在Tensorflow中使用Tensorboard實現可視化,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。
為祿豐等地區用戶提供了全套網頁設計制作服務,及祿豐網站建設行業解決方案。主營業務為網站設計、網站建設、祿豐網站設計,以傳統方式定制建設網站,并提供域名空間備案等一條龍服務,秉承以專業、用心的態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據在神經網絡中的變化,或是已經構建的神經網絡的結構。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'):
節點一般是變量或常量,需要加一個“name=‘'”參數,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)
執行:
運行后,會在相應的目錄里生成一個文件,執行:
tensorboard --logdir="/目錄"
會給出一段網址:
瀏覽器中打開這個網址即可,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 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 #創建數據x_data,y_data x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]區間,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(x軸)
關于如何在Tensorflow中使用Tensorboard實現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新互聯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上云的綜合解決方案,具有“安全穩定、簡單易用、服務可用性高、性價比高”等特點與優勢,專為企業上云打造定制,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實現可視化-創新互聯
網址分享:http://m.newbst.com/article40/coiheo.html
成都網站建設公司_創新互聯,為您提供網站制作、外貿建站、外貿網站建設、網站收錄、企業建站、建站公司
聲明:本網站發布的內容(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站立場,如需處理請聯系客服。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: 創新互聯