Tensorflow— tensorboard网络运行

代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data#载入数据集
#当前路径
mnist = input_data.read_data_sets("MNISt_data", one_hot=True)

运行结果：

Extracting MNISt_data/train-images-idx3-ubyte.gz
Extracting MNISt_data/train-labels-idx1-ubyte.gz
Extracting MNISt_data/t10k-images-idx3-ubyte.gz
Extracting MNISt_data/t10k-labels-idx1-ubyte.gz

代码：

#每个批次的大小
#以矩阵的形式放进去
batch_size = 100
#计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size#参数概要def variable_summaries(var):with tf.name_scope('summaries'):mean = tf.reduce_mean(var)#记录一个值并给出名字tf.summary.scalar('mean', mean)#平均值with tf.name_scope('stddev'):stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))tf.summary.scalar('stddev', stddev)#标准差tf.summary.scalar('max', tf.reduce_max(var))#最大值tf.summary.scalar('min', tf.reduce_min(var))#最小值tf.summary.histogram('histogram', var)#直方图#命名空间
with tf.name_scope('input'):#定义两个placeholder#28 x 28 = 784x = tf.placeholder(tf.float32, [None, 784], name='x_input')y = tf.placeholder(tf.float32, [None, 10], name='y_input')with tf.name_scope('layer'):#创建一个简单的神经网络#输入层784，没有隐藏层，输出层10个神经元with tf.name_scope('weights'):W = tf.Variable(tf.zeros([784, 10]), name='W')variable_summaries(W)with tf.name_scope('biases'):b = tf.Variable(tf.zeros([1, 10]), name='b')variable_summaries(b)with tf.name_scope('wx_plus_b'):   wx_plus_b = tf.matmul(x, W) + bwith tf.name_scope('softmax'):prediction = tf.nn.softmax(wx_plus_b)with tf.name_scope('loss'):#二次代价函数loss = tf.reduce_mean(tf.square(y - prediction))#只有一个值没必要调用函数tf.summary.scalar('loss', loss)#交叉熵#loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))with tf.name_scope('train'):#使用梯度下降法train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)#初始化变量
init = tf.global_variables_initializer()with tf.name_scope('accuracy'):with tf.name_scope('correct_prediction'):#结果存放在一个布尔型列表中#tf.argmax(y, 1)与tf.argmax(prediction, 1)相同返回True,不同则返回False#argmax返回一维张量中最大的值所在的位置correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))with tf.name_scope('accuracy'):#求准确率#tf.cast(correct_prediction, tf.float32) 将布尔型转换为浮点型accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))tf.summary.scalar('accuracy', accuracy)#合并所有的summary
merged = tf.summary.merge_all()with tf.Session() as sess:sess.run(init)#当前路径logs文件夹writer = tf.summary.FileWriter('logs/', sess.graph)#总共51个周期for epoch in range(51):#总共n_batch个批次for batch in range(n_batch):#获得一个批次batch_xs, batch_ys = mnist.train.next_batch(batch_size)summary,_ = sess.run([merged, train_step], feed_dict={x:batch_xs, y:batch_ys})writer.add_summary(summary, epoch)  #训练完一个周期后准确率acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels})print("Iter" + str(epoch) + ", Testing Accuracy" + str(acc))

在命令行：

tensorboard --logdir=logs

效果展示：

Tensorflow— tensorboard网络运行相关推荐

Tensorflow学习教程------tensorboard网络运行和可视化
tensorboard可以将训练过程中的一些参数可视化,比如我们最关注的loss值和accuracy值,简单来说就是把这些值的变化记录在日志里,然后将日志里的这些数据可视化. 首先运行训练代码 #co ...
【深度学习实战】---TensorBoard网络可视化
[深度学习实战]-TensorBoard网络可视化前记为了能够更加深层次的理解我们的网络结构,不必要是画一份简简单单的网络的草图(如[深度学习实战]迈出第一步------编写第一个神经网络),那么 ...
tensorflow gan网络流程图
tensorflow gan 网络流程图
闪电网络运行过程中存在的一些问题
闪电网络是比特币核心开发组(bitcoin core)反对扩容之后的产物,由Core团队部分成员的组成的blockstream公司研发,主要思路是将大量交易放到比特币区块链之外的闪电网络中进行处理,然 ...
Anaconda：Anaconda安装图文教程及其tensorflow安装、运行、测试之最强详细攻略
Anaconda:Anaconda安装图文教程及其tensorflow安装.运行.测试之最强详细攻略导读能够在进行深度学习之前把这些辅助工具Python.Anaconda.GPU.Tensorfl ...
Linux查看网卡的运行情况,NETSTAT - 查看网络运行情况。
NETSTAT - 查看网络运行情况. Netstat的一些常用选项 netstat -s--本选项能够按照各个协议分别显示其统计数据.如果你的应用程序(如Web浏览器)运行速度比较慢,或者不能显示W ...
使用OpManager Plus进行网络运行管理
什么是网络运行管理网络运行管理会不断跟踪网络设备及其操作,并在出现任何网络故障时通知技术人员团队,以便消除它们并主动加强网络免受停机的影响. 为什么网络运行管理很重要借助网络操作管理工具,管理员可 ...
#教计算机学画卡通人物#生成式对抗神经网络GAN原理、Tensorflow搭建网络生成卡通人脸
生成式对抗神经网络GAN原理.Tensorflow搭建网络生成卡通人脸下面这张图是我教计算机学画画,计算机学会之后画出来的,具体实现在下面. ▲以下是对GAN形象化地表述 ●赵某不务正业.游手好闲, ...
计算机网络是管理信息系统运行的基础,网络运行管理系统
网络运行管理是指监视和控制一个复杂的计算机网络,以确保其尽可能长时间地正常运行;当网络出现故障时尽可能及时地发现故障和排除故障,使计算机网络具有最佳的状态和最高的效率.网络运行管理的主要工作是收集网络 ...

Tensorflow— tensorboard网络运行

Tensorflow— tensorboard网络运行相关推荐

最新文章

热门文章