TF之DNN：对DNN神经网络进行Tensorboard可视化(得到events.out.tfevents本地服务器输出到网页可视化）

输出结果

代码设计

输出结果

代码设计

import tensorflow as tf
import numpy as np     def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):# add one more layer and return the output of this layerlayer_name = 'layer%s' % n_layerwith tf.name_scope(layer_name):with tf.name_scope('Jason_niu_weights'):Weights = tf.Variable(tf.random_normal([in_size, out_size]), name='W')tf.summary.histogram(layer_name + '/weights', Weights)with tf.name_scope('Jason_niu_biases'):biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='b')tf.summary.histogram(layer_name + '/biases', biases) with tf.name_scope('Jason_niu_Wx_plus_b'):Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)if activation_function is None:outputs = Wx_plus_belse:outputs = activation_function(Wx_plus_b, )tf.summary.histogram(layer_name + '/outputs', outputs) return outputs# Make up some real data
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise# define placeholder for inputs to network
with tf.name_scope('Jason_niu_inputs'):xs = tf.placeholder(tf.float32, [None, 1], name='x_input')ys = tf.placeholder(tf.float32, [None, 1], name='y_input')# add hidden layer
l1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)
# add output layer
prediction = add_layer(l1, 10, 1, n_layer=2, activation_function=None)# the error between prediciton and real data
with tf.name_scope('Jason_niu_loss'):loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))tf.summary.scalar('Jason_niu_loss', loss)  with tf.name_scope('Jason_niu_train'):train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)sess = tf.Session()
merged =  tf.summary.merge_all()
writer = tf.summary.FileWriter("logs3/", sess.graph)
# important step
sess.run(tf.global_variables_initializer())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})writer.add_summary(result, i)

相关文章
TF：TF之Tensorboard实践：将神经网络Tensorboard形式得到events.out.tfevents文件+dos内运行该文件本地服务器输出到网页可视化

TF之DNN：对DNN神经网络进行Tensorboard可视化(得到events.out.tfevents本地服务器输出到网页可视化）相关推荐

DL之DNN：基于神经网络(从1层~50层)DNN算法实现对非线性数据集点进行绘制决策边界
DL之DNN:基于神经网络(从1层~50层)DNN算法实现对非线性数据集点进行绘制决策边界目录输出结果设计代码输出结果设计代码首先查看数据集 import numpy as np from ...
DL之ANN/DNN：人工神经网络ANN/DNN深度神经网络算法的简介、应用、经典案例之详细攻略
DL之ANN/DNN: 人工神经网络ANN/DNN深度神经网络算法的简介.应用.经典案例之详细攻略相关文章 DL:深度学习(神经网络)的简介.基础知识(神经元/感知机.训练策略.预测原理).算法分类 ...
深度学习之（DNN）深度神经网络
(DNN)深度神经网络简介 DNN是指深度神经网络.与RNN循环神经网络.CNN卷积神经网络的区别就是DNN特指全连接的神经元结构,并不包含卷积单元或是时间上的关联. 神经网络简史神经网络技术 ...
深度学习——神经网络之DNN全连接神经网络、BP算法原理
深度学习--神经网络之DNN全连接神经网络.BP算法原理深度学习--神经网络之DNN全连接神经网络.BP算法原理 1.啥是人工神经网络 2.神经网络的应用 3.神经网络的组成 3.1.神经元 3.2 ...
TF之NN：利用神经网络系统自动学习散点(二次函数+noise+优化修正)输出结果可视化(matplotlib动态演示)
TF之NN:利用神经网络系统自动学习散点(二次函数+noise+优化修正)输出结果可视化(matplotlib动态演示) 目录输出结果代码设计输出结果代码设计 import tensorflo ...
成功解决win10下dos中运行tensorboard --logdir=logs和调用events.out.tfevents一闪而过的问题
成功解决win10下dos中运行tensorboard --logdir=logs和调用events.out.tfevents一闪而过的问题目录解决问题解决思路解决方法解决问题在dos中运 ...
成功解决tensorboard调用events.out.tfevents文件得到网址出现No dashboards are active for the current data set问题
成功解决tensorboard调用events.out.tfevents文件得到网址出现No dashboards are active for the current data set问题目录解 ...
【深度学习的数学】“2×4×1层带sigmoid激活函数的神经网络感知机对三角形平面的分类训练预测”，输出层加偏置b（实时绘制损失函数曲线）（对输入数据归一化）（奇迹出现了！）
文章目录前言代码修改之前错误的代码知道为何Z的结果不能拟合到预期的5了解决办法1:取消输出层神经单元的a和b(直接将z作为输出)(这个办法不行,影响神经单元的完整性,没法计算出输出层神经单元 ...
【深度学习的数学】接“2×3×1层带sigmoid激活函数的神经网络感知机对三角形平面的分类训练预测”，输出层加偏置b
文章目录代码接:[深度学习的数学]2×3×1层带sigmoid激活函数的神经网络感知机对三角形平面的分类训练预测(绘制出模型结果三维图展示效果)(梯度下降法+最小二乘法+激活函数sigmoid+误 ...

TF之DNN：对DNN神经网络进行Tensorboard可视化(得到events.out.tfevents本地服务器输出到网页可视化）

输出结果

代码设计

TF之DNN：对DNN神经网络进行Tensorboard可视化(得到events.out.tfevents本地服务器输出到网页可视化）相关推荐

最新文章

热门文章