Tensorboard可视化(一)

# 将xs和ys包含进来，形成一个大的图层，图层名字叫做inputs
with tf.name_scope('inputs'):
    # 为xs指定名称x_input
    xs = tf.placeholder(tf.float32, [None, 1],name='x_input')
    # 为ys指定名称y_input
    ys = tf.placeholder(tf.float32, [None, 1],name='y_input')

# 定义添加神经层的函数
def add_layer(inputs,in_size,out_size,activation_function=None):
    # 定义大框架名字为layer
    with tf.name_scope('layes'):
        # 框架里面的小部件Weights定义,同时也可以在weights中指定名称W(将会在Weights展开后显示)
        with tf.name_scope('weights'):
            Weights=tf.Variable(tf.random_uniform([in_size,out_size]),name='W')
        # 框架里面的小部件biases定义
        with tf.name_scope('biases'):
            biases=tf.Variable(tf.zeros([1,out_size])+0.1)
        # 框架里面的小部件Wx_plus_b定义
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b=tf.matmul(inputs,Weights)+biases
        '''
        activation_function 的话，可以暂时忽略。因为当选择
        用 tensorflow 中的激励函数（activation function）的时候，
        tensorflow会默认添加名称,这个可以在图形呈现后对比两个layer层进行查看
        '''
        if activation_function is None:
            outputs=Wx_plus_b
        else:
            outputs=activation_function(Wx_plus_b)
        return outputs

# 定义隐藏层
l1=add_layer(xs,1,10,activation_function=tf.nn.relu)
# 定义输出层
prediction=add_layer(l1,10,1,activation_function=None)

# 计算预测值prediction与真实值的误差，对两者差的平方求和再取平均
with tf.name_scope('loss'):
    loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
                   reduction_indices=[1]))

# 机器学习提升准确率
with tf.name_scope('train'):
    train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 0.1表示学习效率

sess=tf.Session()
writer=tf.summary.FileWriter("logs/",sess.graph)