如何在Tensorflow中使用Tensorboard實現(xiàn)可視化

這篇文章將為大家詳細(xì)講解有關(guān)如何在Tensorflow中使用Tensorboard實現(xiàn)可視化，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關(guān)知識有一定的了解。

Tensorboard：

如何更直觀的觀察數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)中的變化，或是已經(jīng)構(gòu)建的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。上一篇文章說到，可以使用matplotlib第三方可視化，來進(jìn)行一定程度上的可視化。然而Tensorflow也自帶了可視化模塊Tensorboard，并且能更直觀的看見整個神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

上面的結(jié)構(gòu)圖甚至可以展開，變成：

使用：

結(jié)構(gòu)圖：

with tensorflow .name_scope(layer_name):

直接使用以上代碼生成一個帶可展開符號的一個域，并且支持嵌套操作：

with tf.name_scope(layer_name): 
  with tf.name_scope('weights'):

節(jié)點一般是變量或常量，需要加一個“name=‘'”參數(shù)，才會展示和命名，如：

with tf.name_scope('weights'): 
  Weights = tf.Variable(tf.random_normal([in_size,out_size]))

結(jié)構(gòu)圖符號及意義：

變量：

變量則可使用Tensorflow.histogram_summary()方法：

tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights賦值

常量：

常量則可使用Tensorflow.scalar_summary()方法：

tf.scalar_summary('loss',loss) #命名和賦值

展示：

最后需要整合和存儲SummaryWriter：

#合并到Summary中 
merged = tf.merge_all_summaries() 
#選定可視化存儲目錄 
writer = tf.train.SummaryWriter("/目錄",sess.graph)

merged也是需要run的，因此還需要：

result = sess.run(merged) #merged也是需要run的 
  writer.add_summary(result,i)

執(zhí)行：

運(yùn)行后，會在相應(yīng)的目錄里生成一個文件，執(zhí)行：

tensorboard --logdir="/目錄"

會給出一段網(wǎng)址：

瀏覽器中打開這個網(wǎng)址即可，因為有兼容問題，firefox并不能很好的兼容，建議使用Chrome。

常量在Event中，結(jié)構(gòu)圖在Graphs中，變量在最后兩個Tag中。

附項目代碼：

項目承接自上一篇文章（已更新至最新Tensorflow版本API r1.2）：

import tensorflow as tf  
import numpy as np  
  
def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None線性函數(shù)  
  layer_name="layer%s" % n_layer  
  with tf.name_scope(layer_name):  
    with tf.name_scope('weights'):  
      Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是隨機(jī)變量  
      tf.summary.histogram(layer_name+"/weights",Weights) #可視化觀看變量  
    with tf.name_scope('biases'):  
      biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推薦初始值不為0  
      tf.summary.histogram(layer_name+"/biases",biases) #可視化觀看變量  
    with tf.name_scope('Wx_plus_b'):  
      Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases  
      tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b) #可視化觀看變量  
    if activation_function is None:  
      outputs = Wx_plus_b  
    else:  
      outputs = activation_function(Wx_plus_b)  
    tf.summary.histogram(layer_name+"/outputs",outputs) #可視化觀看變量  
    return outputs  
  
#創(chuàng)建數(shù)據(jù)x_data，y_data  
x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]區(qū)間，300個單位，np.newaxis增加維度  
noise = np.random.normal(0,0.05,x_data.shape) #噪點  
y_data = np.square(x_data)-0.5+noise  
  
with tf.name_scope('inputs'): #結(jié)構(gòu)化  
  xs = tf.placeholder(tf.float32,[None,1],name='x_input')  
  ys = tf.placeholder(tf.float32,[None,1],name='y_input')  
  
#三層神經(jīng)，輸入層（1個神經(jīng)元），隱藏層（10神經(jīng)元），輸出層（1個神經(jīng)元）  
l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隱藏層  
prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #輸出層  
  
#predition值與y_data差別  
with tf.name_scope('loss'):  
  loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值  
  tf.summary.scalar('loss',loss) #可視化觀看常量  
with tf.name_scope('train'):  
  train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1學(xué)習(xí)效率,minimize(loss)減小loss誤差  
  
init = tf.initialize_all_variables()  
sess = tf.Session()  
#合并到Summary中  
merged = tf.summary.merge_all()  
#選定可視化存儲目錄  
writer = tf.summary.FileWriter("Desktop/",sess.graph)  
sess.run(init) #先執(zhí)行init  
  
#訓(xùn)練1k次  
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}) #merged也是需要run的  
    writer.add_summary(result,i) #result是summary類型的，需要放入writer中，i步數(shù)（x軸）

關(guān)于如何在Tensorflow中使用Tensorboard實現(xiàn)可視化就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。