【Tensorflow 复习3】使用Tensorboard 可视化神经网络

使用TensorFlow的可视化工具 — tensorboard : 通过使用这个工具可以很直观的看到整个神经网络的结构、框架。
以前几节的代码为例：相关代码通过tensorflow的工具大致可以看到，今天要显示的神经网络差不多是这样子的

同时我们也可以展开看每个layer中的一些具体的结构：

1. 通过阅读代码和之前的图片大概知道了此处是有一个输入层（inputs），一个隐含层（layer），还有一个输出层（output）现在可以看看如何进行可视化.

使用Tensorboard 可视化神经网络最重要的就是名称域with tf.name_scope('scope name'):


def add_layer(inputs, in_size, out_size, activation_function=None):with tf.name_scope('layer'):with tf.name_scope('Weights'):Weights = tf.Variable(tf.random.rand([in_size, out_size]))  # 定义权重with tf.name_scope('biase'):biases = tf.Variable(tf.zeros([1, in_size]) + 0.1)  # 定义偏置with tf.name_scope('Wx_plus_b'):Wx_plus_b = tf.matmul(inputs, Weights) + biases  # 计算Σ# 激活函数选择if activation_function is None:outputs = Wx_plus_belse:outputs = activation_function(Wx_plus_b)return outputs# 初始化数据
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]
noise = np.random.rand(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) + noise
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')# 从输入层到隐含层 ，从隐含层到输出层
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)  # 从输入层（x_data）到隐藏层（l1）
prediction = add_layer(l1, 10, 1, activation_function=None)  # 从隐藏层（l1）到输出层（prediction）# 计算误差 和 传播误差
with tf.name_scope('loss'):loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))
with tf.name_scope('train'):train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  # 优化误差init = tf.gloal_variables_initializer()

2. 我们需要使用 `tf.summary.FileWriter()` (tf.train.SummaryWriter() 这种方式已经在 tf >= 0.12 版本中摒弃) 将上面‘绘画’出的图保存到一个目录中，以方便后期在浏览器中可以浏览。这个方法中的第二个参数需要使用sess.graph ，因此我们需要把这句话放在获取session的后面。这里的graph是将前面定义的框架信息收集起来，然后放在logs/目录下面。

with tf.Session as sess:writer = tf.Summary.FileWriter("logs/", sess.graph) #将图片加载到文件夹里面for i in range(1000):sess.run(train_step, feed_dict={xs: x_data, ys: y_data})print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

3. 最后在你的terminal（终端）中，切换到存放该图片的文件夹，使用以下命令

tensorboard --logdir logs

4. 将终端中输出的网址复制到浏览器中，便可以看到之前定义的视图框架了。

【Tensorflow 复习3】使用Tensorboard 可视化神经网络相关推荐

Tensorboard可视化神经网络详细教程
Tensorboard可视化神经网络详细教程前言: tensorboard是一个非常强大的工具.不仅仅可以帮助我们可视化神经网络训练过程中的各种参数,而且可以帮助我们更好的调整网络模型.网络参数,这 ...
keras和tensorflow使用 keras.callbacks.TensorBoard 可视化数据
此文首发于我的个人博客:keras和tensorflow使用 keras.callbacks.TensorBoard 可视化数据 - zhang0peter的个人博客 TensorBoard 是一个非 ...
Tensorboard—使用keras结合Tensorboard可视化
1. keras如何使用tensorboard keras使用tensorboard是通过回调函数来实现的,关于什么是keras的"回调函数",这里就不再赘述了,所以Tensorb ...
【TensorFlow实战笔记】卷积神经网络CNN实战-cifar10数据集（tensorboard可视化）
IDE:pycharm Python: Python3.6 OS: win10 tf : CPU版本代码可在github中下载,欢迎star,谢谢 CNN-CIFAR-10 一.CIFAR10数据集 ...
TensorFlow之图结构与TensorBoard可视化
TensorFlow之图结构与TensorBoard可视化 1.1 什么是图结构图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据. 1.2 图相 ...
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）
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) 目录输出结果代码设计输出结果代码设计 import te ...
TF学习——TF之Tensorboard：Tensorflow之Tensorboard可视化简介、入门、使用方法之详细攻略
TF学习--TF之Tensorboard:Tensorflow之Tensorboard可视化简介.入门.使用方法之详细攻略目录 Tensorboard简介 Tensorboard各个板块入门 Ten ...
[Python人工智能] 五.Tensorboard可视化基本用法及绘制整个神经网络
从本篇文章开始,作者正式开始研究Python深度学习.神经网络及人工智能相关知识.前一篇文章讲解了TensorFlow创建回归神经网络及Optimizer优化器:本篇文章将详细讲解Tensorboar ...
Tensorflow——Tensorboard可视化
1.前言本节内容会用到浏览器, 而且与 tensorboard 兼容的浏览器是 "Google Chrome". 使用其他的浏览器不保证所有内容都能正常显示. 学会用 Tenso ...

【Tensorflow 复习3】使用Tensorboard 可视化神经网络

1. 通过阅读代码和之前的图片大概知道了此处是有一个输入层（inputs），一个隐含层（layer），还有一个输出层（output）现在可以看看如何进行可视化.

3. 最后在你的terminal（终端）中，切换到存放该图片的文件夹，使用以下命令

4. 将终端中输出的网址复制到浏览器中，便可以看到之前定义的视图框架了。

【Tensorflow 复习3】使用Tensorboard 可视化神经网络相关推荐

最新文章

热门文章

【Tensorflow 复习3】使用Tensorboard 可视化神经网络

1. 通过阅读代码和之前的图片大概知道了此处是有一个输入层（inputs），一个隐含层（layer），还有一个输出层（output） 现在可以看看如何进行可视化.

3. 最后在你的terminal（终端）中 ，切换到存放该图片的文件夹，使用以下命令

4. 将终端中输出的网址复制到浏览器中，便可以看到之前定义的视图框架了。

【Tensorflow 复习3】使用Tensorboard 可视化神经网络相关推荐

最新文章

热门文章

1. 通过阅读代码和之前的图片大概知道了此处是有一个输入层（inputs），一个隐含层（layer），还有一个输出层（output）现在可以看看如何进行可视化.

3. 最后在你的terminal（终端）中，切换到存放该图片的文件夹，使用以下命令