开发 | 这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

AI科技评论按:本文作者 Jerry,原文载于作者个人博客,AI科技评论已获授权。

TensorBoard

如何更直观的观察数据在神经网络中的变化,或是已经构建的神经网络的结构,可以使用 matplotlib 第三方可视化,来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard,并且能更直观的看见整个神经网络的结构。

上面的结构图甚至可以展开,变成:

使用

结构图:

with tensorflow .name_scope(layer_name):

直接使用以上代码生成一个带可展开符号的一个域,并且支持嵌套操作:

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

节点一般是变量或常量,需要加一个“name=‘’”参数,才会展示和命名,如:

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

结构图符号及意义:

变量:

变量则可使用Tensorflow.histogram_summary()方法:

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

常量:

常量则可使用Tensorflow.scalar_summary()方法:

tf.scalar_summary('loss',loss) #命名和赋值

展示:

最后需要整合和存储SummaryWriter:

#合并到Summary中 merged = tf.merge_all_summaries() #选定可视化存储目录 writer = tf.train.SummaryWriter("/目录",sess.graph)

merged也是需要run的,因此还需要:

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

执行:

运行后,会在相应的目录里生成一个文件,执行:

tensorboard --logdir="/目录"

会给出一段网址:

浏览器中打开这个网址即可,因为有兼容问题,firefox并不能很好的兼容,建议使用Chrome。

常量在Event中,结构图在Graphs中,变量在最后两个Tag中。

附项目代码

具体项目承接我博客里上一篇文章(http://blog.csdn.net/jerry81333/article/details/52979206):

import tensorflow as tf import numpy as np def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None线性函数 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中都是随机变量 tf.histogram_summary(layer_name+"/weights",Weights) #可视化观看变量 with tf.name_scope('biases'): biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推荐初始值不为0 tf.histogram_summary(layer_name+"/biases",biases) #可视化观看变量 with tf.name_scope('Wx_plus_b'): Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases tf.histogram_summary(layer_name+"/Wx_plus_b",Wx_plus_b) #可视化观看变量 if activation_function is None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) tf.histogram_summary(layer_name+"/outputs",outputs) #可视化观看变量 return outputs #创建数据x_data,y_data x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]区间,300个单位,np.newaxis增加维度 noise = np.random.normal(0,0.05,x_data.shape) #噪点 y_data = np.square(x_data)-0.5+noise with tf.name_scope('inputs'): #结构化 xs = tf.placeholder(tf.float32,[None,1],name='x_input') ys = tf.placeholder(tf.float32,[None,1],name='y_input') #三层神经,输入层(1个神经元),隐藏层(10神经元),输出层(1个神经元) l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隐藏层 prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #输出层 #predition值与y_data差别 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.scalar_summary('loss',loss) #可视化观看常量 with tf.name_scope('train'): train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差 init = tf.initialize_all_variables() sess = tf.Session() #合并到Summary中 merged = tf.merge_all_summaries() #选定可视化存储目录 writer = tf.train.SummaryWriter("Desktop/",sess.graph) sess.run(init) #先执行init #训练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类型的,需要放入writer中,i步数(x轴)

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-04-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏程序生活

计算两个字符串相(或句子)似度的方法1 编辑距离2 余弦相似度3 FuzzyWuzzy

2223
来自专栏专知

【干货】TensorFlow中那些鲜为人知却又极其实用的知识

TensorFlow的生态圈极其强大,覆盖了科研、工程中的各种流程,其中一些特别好用的模块和技巧可以使你的工作效率大幅度提升,也可以让你的产品变得非常稳定。本文...

850
来自专栏人工智能LeadAI

TensorFlow从1到2 | 第五章 非专家莫入!TensorFlow实现CNN

当看到本篇时,根据TensorFlow官方标准《Deep MNIST for Experts》(https://tensorflow.google.cn/get...

3708
来自专栏42度空间

基于规则评分的密码强度检测算法分析及实现(JavaScript)

用正则表达式做用户密码强度的通过性判定,过于简单粗暴,不但用户体验差,而且用户帐号安全性也差。那么如何准确评价用户密码的强度,保护用户帐号安全呢?本文分析介绍了...

4456
来自专栏深度学习之tensorflow实战篇

数据挖掘PageRank算法(网页排名原理)及Map-Reduce实现

方法/步骤 1 一、什么是pagerank PageRank的Page可是认为是网页,表示网页排名,也可以认为是Larry Page(google...

3739
来自专栏大数据挖掘DT机器学习

R语言进行中文分词,并对6W条微博聚类

由于时间较紧,且人手不够,不能采用分类方法,主要是没有时间人工分类一部分生成训练集……所以只能用聚类方法,聚类最简单的方法无外乎:K-means与层次聚类。 尝...

2905
来自专栏Deep learning进阶路

caffe随记(三) --- solver 简析

1、概述 solver算是caffe中比较核心的一个概念,在我们训练train我们的网络时,就必须要带上这个参数, 如下例是我要对Lenet进行训练的时候要调...

2700
来自专栏AI研习社

玩过TensorFlow自带的的可视化工具么?(附源码)

TensorBoard 如何更直观的观察数据在神经网络中的变化,或是已经构建的神经网络的结构。上一篇文章说到,可以使用 matplotlib 第三方可视化,...

32610
来自专栏深度学习思考者

matlab 数据预处理及常用操作

img_out = repmat(img,[10000 1]);%生成一个1万行的img矩阵 img=zeros(1,1024); %zeros生成为0的矩...

1899
来自专栏PaddlePaddle

【FAQ】本地训练与预测相关问题汇总

导语 在使用指南的最后一部分,我们汇总了使用PaddlePaddle过程中的常见问题,本部分推文目录如下: 2.22:【FAQ】模型配置相关问题汇总 2.23:...

34010

扫描关注云+社区