python人工智能tensorflow函数tensorboard使用方法

第python人工智能tensorflow函数tensorboard使用方法目录tensorboard相关函数及其常用参数设置1with_scope(layer_name):2tf.summary.histogram(layer_name+/biases,biases)3tf.summary.scalar(loss,loss)4tf.summary.merge_all()5tf.summary.FileWriter(logs/,sess.graph)6write.add_summary(result,i)7tensorboard--logdir=logs例子tensorboard常用于更直观的观察数据在神经网络中的变化，或者用于观测已经构建完成的神经网络的结构。其有助于我们更加方便的去观测tensorflow神经网络的搭建情况以及执行情况。

tensorboard相关函数及其常用参数设置

tensorboard相关函数代码真的好多啊。难道都要背下来吗！

不需要！只要收藏了来这里复制粘贴就可以了。常用的只有七个！

1with_scope(layer_name):

TensorFlow中的name_scope函数的作用是创建一个参数名称空间。这个空间里包括许多参数，每个参数有不同的名字，这样可以更好的管理参数空间，防止变量命名时产生冲突。

利用该函数可以生成相对应的神经网络结构图。

该函数支持嵌套。

在该标题中，该参数名称空间空间的名字为layer_name。

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

该函数用于将变量记录到tensorboard中。用来显示直方图信息。

一般用来显示训练过程中变量的分布情况。

在该标题中，biases的直方图信息被记录到tensorboard的layer_name+/biases中。

3tf.summary.scalar(loss,loss)

用来进行标量信息的可视化与显示。

一般在画loss曲线和accuary曲线时会用到这个函数。

在该标题中，loss的标量信息被记录到tensorboard的loss中。

4tf.summary.merge_all()

将之前定义的所有summary整合在一起。

tf.summary.scalar、tf.summary.histogram、tf.summary.image在定义的时候，也不会立即执行，需要通过sess.run来明确调用这些函数。因为，在一个程序中定义的写日志操作比较多，如果一一调用，将会十分麻烦，所以Tensorflow提供了tf.summary.merge_all()函数将所有的summary整理在一起。

在TensorFlow程序执行的时候，只需要运行这一个操作就可以将代码中定义的所有写summary内容执行一次，从而将所有的summary内容写入。

5tf.summary.FileWriter(logs/,sess.graph)

将summary内容写入磁盘文件，FileWriter类提供了一种用于在给定目录下创建事件文件的机制，并且将summary数据写入硬盘。

在该标题中，summary数据被写入logs文件夹中。

6write.add_summary(result,i)

该函数成立前提为：

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

add_summary是tf.summary.FileWriter父类中的成员函数；添加summary内容到事件文件，写入事件文件。

在该标题中，result是tf.summary.merge_all()执行的结果，i表示世代数。

7tensorboard--logdir=logs

该函数用于cmd命令行中。用于生成tensorboard观测网页。

例子

该例子为手写体识别例子。

importtensorflowastf

importnumpyasnp

fromtensorflow.examples.tutorials.mnistimportinput_data

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

defadd_layer(inputs,in_size,out_size,n_layer,activation_function=None):

layer_name='layer%s'%n_layer

with_scope(layer_name):

with_scope("Weights"):

Weights=tf.Variable(tf.random_normal([in_size,out_size]),name="Weights")

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

with_scope("biases"):

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

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

with_scope("Wx_plus_b"):

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

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

ifactivation_function==None:

outputs=Wx_plus_b

else:

outputs=activation_function(Wx_plus_b)

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

returnoutputs

defcompute_accuracy(x_data,y_data):

globalprediction

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))#判断是否相等

accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#赋予float32数据类型，求平均。

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

returnresult

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_scope("loss"):

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

#label是标签，logits是预测值，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()

withtf.Session()assess:

sess.run(init)

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

foriinrange(5001):

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

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

ifi%1000==0:

print("训练%d次的识别率为：%f。"%((i+1),compute_accuracy(mnist.test.images,mnist.test.labels)))

result=sess.run(merged,feed_dict={xs:batch_xs,