tensorflow 神经网络深度学习（人工智能TensorFlow九-TensorBoard）

tensorflow 神经网络深度学习（人工智能TensorFlow九-TensorBoard）隐藏层的定义完成后，我们需要定义输入层W bwith tf.name_scope('layer'):定义隐含层的名称为layer 在layer层里面定义了weights 与 biases 2个节点变量，且定义了矩阵相乘的节点名称，打开layer层，会看到如下weights 与 biases在定义weights 与 biases时，我们也定义了变量的名称是W，b，当你接着打开weights 与 biases时，会看到里面我们定义的变量

TensorBoard简介

TensorBoard是一个可视化工具，能够有效地展示TensorFlow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。TensorBoard 和 TensorFLow 程序跑在不同的进程中，TensorBoard 会自动读取最新的 TensorFlow 日志文件，并呈现当前 TensorFLow 程序运行的最新状态。

• 添加记录节点：tf.summary.scalar/image/histogram()等
• 汇总记录节点：merged = tf.summary.merge_all()
• 运行汇总节点：summary = sess.run(merged)，得到汇总结果
• 日志书写器实例化：summary_writer = tf.summary.FileWriter(logdir graph=sess.graph)，实例化的同时传入 graph 将当前计算图写入日志
• 调用日志书写器实例对象summary_writer的add_summary(summary global_step=i)方法将所有汇总日志写入文件
• 调用日志书写器实例对象summary_writer的close()方法写入内存，否则它每隔120s写入一次
• 查看TensorBoard：tensorboard --logdir=D:\foxtable\big_data\logs，等于号后面是你的log地址
• 添加节点名称：tf.name_scope('layer')

TensorBoard可视化

我们在前期的基础上（人工智能神器—TensorFlow入门基础（激励函数、隐藏层）），修改一下代码，显示如下图的可视化

TensorBoard可视化

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_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.matmul(inputs Weights) biases if activation_function is None: outputs=Wx_plus_b else: outputs=activation_function(Wx_plus_b) return outputs

如上代码就是我们定义层的代码，我们在定义层的基础上，把我们需要的节点都加上节点名称

with tf.name_scope('layer'):定义隐含层的名称为layer

在layer层里面定义了weights 与 biases 2个节点变量，且定义了矩阵相乘的节点名称，打开layer层，会看到如下

weights 与 biases

在定义weights 与 biases时，我们也定义了变量的名称是W，b，当你接着打开weights 与 biases时，会看到里面我们定义的变量

W b

定义输入层

隐藏层的定义完成后，我们需要定义输入层

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')

定义输入层的名称为inputs，里面有2个变量x_input y_input

输入层

lay_one=add_layer(xs 1 10 activation_function=tf.nn.relu)#hidden layer predition=add_layer(lay_one 10 1 activation_function=None)#输出层

以上加入2层隐藏层，定义输出层

定义loss 与train

with tf.name_scope('loss'): loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-predition) reduction_indices=[1])) with tf.name_scope('train'): train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

输入层与隐藏层定义完成后，需要定义loss 与train层，我们添加loss 与train层的名称如上

训练神经网络

init = tf.global_variables_initializer() # 开始训练 with tf.Session() as sess: writer=tf.summary.FileWriter("logs/" sess.graph) sess.run(init)

日志书写器实例化：summary_writer = tf.summary.FileWriter(logdir graph=sess.graph)，实例化的同时传入 graph 将当前计算图写入日志，会在当前目录下的log文件夹下，生成一个log文件。

可视化TensorBoard

当运行完程序后，会生成一个log文件，在Windows CMD命令，进入终端，输入如下命令：

tensorboard --logdir=D:\foxtable\big_data\logs

等号后面是你log的文件夹地址

TensorBoard地址

运行完成后，会提示上图的运行地址，在Google浏览器上面输入地址，便会看到TensorBoard的可视化效果。（所有代码拼接起来就是本期完整代码）

TensorBoard效果图

下期预告：

本期介绍了如何使用TensorBoard来搭建可视化过程，下期介绍下图的显示操作

谢谢大家的点赞与转发，关于分享的文章，大家有任何问题，可以在评论区一起探讨学习！！！