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 Tensorflow 自带的 tensorboard 去可视化我们所建造出来的神经网络是一个很好的学习理解方式. 用最直观的流程图告诉你你的神经网络是长怎样,有助于你发现编程中间的问题和疑问.

2.搭建网络图纸

2.1.定义输入

首先从 Input 开始，对于input我们进行如下修改：首先，可以为xs指定名称为x_in，然后再次对ys指定名称y_in。

这里指定的名称将来会在可视化的图层inputs中显示出来
使用with tf.name_scope(‘inputs’)可以将xs和ys包含进来，形成一个大的图层，图层的名字就是with tf.name_scope()方法里的参数。

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')

2.2.定义layer层

在定义完大的框架layer之后，同时也需要定义每一个’框架‘里面的小部件：(Weights biases 和 activation function): 现在现对 Weights 定义：定义的方法同上，可以使用tf.name.scope()方法，同时也可以在Weights中指定名称W。即为：

import tensorflow as tfdef add_layer(inputs,in_size,out_size,activation_function):with tf.name_scope('layer'):    #命名域：tf.name_scope()   变量域：tf.variable_scope()with tf.name_scope('weight'):Weights = tf.Variable(tf.random_normal([in_size,out_size]), name='W')with tf.name_scope('biases'):biases = tf.Variable(tf.zeros([1,out_size])+0.1,name='b')with tf.name_scope('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)return outputs

最后编辑loss部分：将with tf.name_scope()添加在loss上方，并为它起名为loss

with tf.name_scope('loss'):loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))

使用with tf.name_scope()再次对train_step部分进行编辑,如下：

with tf.name_scope('train'):train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

2.3.保存绘制的图到目录

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。

sess = tf.Session()
writer = tf.summary.FileWriter('logs/',sess.graph)
init = tf.global_variables_initializer()
sess.run(init)

2.4.浏览器查看绘制的图

最后在你的terminal（终端）中，使用以下命令

$ tensorboard --logdir='logs/'

同时将终端中输出的网址（http://localhost:6006）复制到浏览器中，便可以看到之前定义的视图框架了。

tensorboard 还有很多其他的参数，希望大家可以多多了解, 可以使用 tensorboard --help 查看tensorboard的详细参数

Tensorflow——Tensorboard可视化相关推荐

TensorFlow（2）图（默认图与自定义图） TensorBoard可视化
目录一.图 1.默认图 1.调用方法查看默认图属性 2..graph查看图属性代码 2.自定义图(创建图) 1.创建自定义图 2.创建静态图 3.开启会话(运行) 4.查看自定义图代码二.Te ...
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 ...
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 ...
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 ...
TensorFlow笔记（3） TensorBoard可视化
TensorFlow笔记(3) TensorBoard可视化 1. TensorBoard简介 2. 运行TensorBoard 3. 常用API 1. TensorBoard简介 TensorBoa ...
无tensorflow，在pytorch下使用tensorboard可视化工具报错：Could not load dynamic library ‘cudart64_110.dll‘； dlerror
文章目录报错信息: 真实原因解决方案 tensorboard完整demo代码: 在pycharm终端下输入命令 (如果是在cmd中输入命令的话,记得一定要把cmd中的目录切换成本项目的路径,博客最 ...
【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 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 ...
【深度学习】Tensorboard可视化模型训练过程和Colab使用
[深度学习]Tensorboard可视化模型训练过程和Colab使用文章目录 1 概述 2 手撸代码实现 3 Colab使用3.1 详细步骤3.2 Demo 4 总结 1 概述在利用TensorF ...

Tensorflow——Tensorboard可视化