学习
实践
活动
专区
工具
TVP
写文章
专栏首页NLP/KG【三】tensorboard安装、使用教学以及遇到的问题

【三】tensorboard安装、使用教学以及遇到的问题

相关文章:

【一】tensorflow安装、常用python镜像源、tensorflow 深度学习强化学习教学

【二】tensorflow调试报错、tensorflow 深度学习强化学习教学

【三】tensorboard安装、使用教学以及遇到的问题

【四】超级快速pytorch安装


trick1---实现tensorflow和pytorch迁移环境教学

1.tensorflow 深度学习

      书本链接:https://download.csdn.net/download/sinat_39620217/16491144

对应码源以及学习资料链接:https://gitee.com/dingding962285595/tensorflow_-rl 欢迎关注一键三连哦!

2.tensorboard安装

TensorBoard是一个可视化工具,能展示你训练过程中绘制的图像、网络结构等。设置不同的参数(比如:权重W、偏置B、卷积层数、全连接层数等),使用TensorBoader可以很直观的帮我们进行参数的选择。

 在anacondaprompt环境下安装tensorboard,分为两步:

conda  activate tensorflow 

pip install tensorboard  -i 镜像源

这里镜像源可以参考我【一】tensorflow安装、常用python镜像源、tensorflow 深度学习强化学习教学   中的。

3.tensorboard使用教学

下面开始小试牛刀,测试demo

import tensorflow as tf
import numpy as np
 
#输入数据
x_data = np.linspace(-1,1,300)[:, np.newaxis]
noise = np.random.normal(0,0.05, x_data.shape)
y_data = np.square(x_data)-0.5+noise
 
#输入层
with tf.name_scope('input_layer'): #输入层。将这两个变量放到input_layer作用域下,tensorboard会把他们放在一个图形里面
    xs = tf.placeholder(tf.float32, [None, 1], name = 'x_input') # xs起名x_input,会在图形上显示
    ys = tf.placeholder(tf.float32, [None, 1], name = 'y_input') # ys起名y_input,会在图形上显示
 
#隐层
with tf.name_scope('hidden_layer'): #隐层。将隐层权重、偏置、净输入放在一起
    with tf.name_scope('weight'): #权重
        W1 = tf.Variable(tf.random_normal([1,10]))
        tf.summary.histogram('hidden_layer/weight', W1)
    with tf.name_scope('bias'): #偏置
        b1 = tf.Variable(tf.zeros([1,10])+0.1)
        tf.summary.histogram('hidden_layer/bias', b1)
    with tf.name_scope('Wx_plus_b'): #净输入
        Wx_plus_b1 = tf.matmul(xs,W1) + b1
        tf.summary.histogram('hidden_layer/Wx_plus_b',Wx_plus_b1)
output1 = tf.nn.relu(Wx_plus_b1)
 
#输出层
with tf.name_scope('output_layer'): #输出层。将输出层权重、偏置、净输入放在一起
    with tf.name_scope('weight'): #权重
        W2 = tf.Variable(tf.random_normal([10,1]))
        tf.summary.histogram('output_layer/weight', W2)
    with tf.name_scope('bias'): #偏置
        b2 = tf.Variable(tf.zeros([1,1])+0.1)
        tf.summary.histogram('output_layer/bias', b2)
    with tf.name_scope('Wx_plus_b'): #净输入
        Wx_plus_b2 = tf.matmul(output1,W2) + b2
        tf.summary.histogram('output_layer/Wx_plus_b',Wx_plus_b2)
output2 = Wx_plus_b2
 
#损失
with tf.name_scope('loss'): #损失
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-output2),reduction_indices=[1]))
    tf.summary.scalar('loss',loss)
with tf.name_scope('train'): #训练过程
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
 
#初始化
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
merged = tf.summary.merge_all() #将图形、训练过程等数据合并在一起
writer = tf.summary.FileWriter('logs',sess.graph) #将训练日志写入到logs文件夹下
 
#训练
for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if(i%50==0): #每50次写一次日志
        result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #计算需要写入的日志数据
        writer.add_summary(result,i) #将日志数据写入文件

其中:writer = tf.summary.FileWriter('logs',sess.graph) #将训练日志写入到logs文件夹下 小trick

打开对应目录的命令程序


 tensorboard --logdir=logs
 

或者:.打开对应路径:比如进入D盘  d:就可以不用cd,.进入d盘路径后,再cd D:\work_place,.复制地址  http://localhost:6006/到浏览器

  • 编译执行,会生成log文件
  • 找到log文件(在xxx文件夹下,打开cmd)
  •  tensorboard --logdir=logs    ->其中logs为保存log文件的文件夹

重要提示:请不要用中文命名目录,中文目录中看不到任何图形。 得到结果:

4.tensorboard常用语法--summary

tf.summary有诸多函数:

1、tf.summary.scalar

用来显示标量信息,其格式为:

tf.summary.scalar(tags, values, collections=None, name=None)

例如:tf.summary.scalar('mean', mean),一般在画loss,accuary时会用到这个函数。

2、tf.summary.histogram

用来显示直方图信息,其格式为:

tf.summary.histogram(tags, values, collections=None, name=None) 

例如: tf.summary.histogram('histogram', var),一般用来显示训练过程中变量的分布情况

3、tf.summary.merge_all

merge_all 可以将所有summary全部保存到磁盘,以便tensorboard显示。如果没有特殊要求,一般用这一句就可一显示训练时的各种信息了。

格式:tf.summaries.merge_all(key='summaries')

4、tf.summary.FileWriter

指定一个文件用来保存图。

格式:tf.summary.FileWritter(path,sess.graph),可以调用其add_summary()方法将训练过程数据保存在filewriter指定的文件中

Tensorflow Summary 用法示例:

tf.summary.scalar('accuracy',acc)                   #生成准确率标量图  
merge_summary = tf.summary.merge_all()  
train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件,dir为写入文件地址  
......(交叉熵、优化器等定义)  
for step in xrange(training_step):                  #训练循环  
    train_summary = sess.run(merge_summary,feed_dict =  {...})#调用sess.run运行图,生成一步的训练过程数据  
    train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存 

此时开启tensorborad:

tensorboard --logdir=/summary_dir 

便能看见accuracy曲线了。

另外,如果我不想保存所有定义的summary信息,也可以用tf.summary.merge方法有选择性地保存信息:

5、tf.summary.merge

格式:tf.summary.merge(inputs, collections=None, name=None)

一般选择要保存的信息还需要用到tf.get_collection()函数,demo:

tf.summary.scalar('accuracy',acc)                   #生成准确率标量图  
merge_summary = tf.summary.merge([tf.get_collection(tf.GraphKeys.SUMMARIES,'accuracy'),...(其他要显示的信息)])  
train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件,dir为写入文件地址  
......(交叉熵、优化器等定义)  
for step in xrange(training_step):                  #训练循环  
    train_summary = sess.run(merge_summary,feed_dict =  {...})#调用sess.run运行图,生成一步的训练过程数据  
    train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存  
使用tf.get_collection函数筛选图中summary信息中的accuracy信息,这里的
 tf.GraphKeys.SUMMARIES  是summary在collection中的标志。

tf.GraphKeys.SUMMARIES  是summary在collection中的标志。

或者:

acc_summary = tf.summary.scalar('accuracy',acc)                   #生成准确率标量图  
merge_summary = tf.summary.merge([acc_summary ,...(其他要显示的信息)])  #这里的[]不可省

 如果要在tensorboard中画多个数据图,需定义多个tf.summary.FileWriter并重复上述过程。

本文参与 腾讯云自媒体分享计划 ,欢迎热爱写作的你一起参与!
本文分享自作者个人站点/博客:https://blog.csdn.net/sinat_39620217?type=blog复制
如有侵权,请联系 cloudcommunity@tencent.com 删除。
登录 后参与评论
0 条评论

相关文章

  • redis的安装以及遇到的问题

    redis 一种内存数据库,适合做缓存,我这里使用 windows 下的 redis

    小小杰啊
  • Windows 安装使用Homestead 遇到的问题总结

    本环境使用 VirtualBox6.1 Vagrant2.2 首先下载并安装这两个应用.

    caoayu
  • Pycharm和Pytorch安装教程配置环境以及遇到的问题:

    Pycharm和Pytorch安装教程配置环境以及遇到的问题: 注意:我们每次新建完项目,都要检查一下python解释器和conda.exe是否选择正确。 ...

    全栈程序员站长
  • typecho安装过程遇到的问题以及解决办法

    槽痞
  • Ubuntu安装ftp服务器以及可能遇到的问题

           安装过后其实就可以去运行ftp服务器了,使用的配置都是默认的配置,我们可以用netstat -ntl来查看ftp启用的端口

    Ch_Zaqdt
  • centos7中clickhouse单机安装以及遇到的问题

    如果你想运行最新的版本,则直接将stable改为testing 运行以下命令添加软件包

    公众号-利志分享
  • eclipse安装CDT插件遇到的问题以及各版本的区别

    转自:http://blog.csdn.net/gavinr/article/details/7242728

    forrestlin
  • ElasticSearch 的安装以及设置ElasticSearch外网访问以及过程中遇到的问题

    Caused by: java.lang.RuntimeException: can not run elasticsearch as root

    用户8346838
  • Ubuntu 下安装 Yar 扩展遇到的问题以及解决方案

    apt-get install curl libcurl3 libcurl3-dev php5-curl pecl install channel://pecl...

    苦咖啡
  • Pve虚拟机所遇到的问题以及安装过程

    直通显卡显示IMMOU提示,Grub、内核、黑名单等都以及添加,但还是添加成功.折腾了三天,感觉我要放弃All in One的想法了.

    团团生活志
  • Tortoisegit使用教程以及提交代码所遇到的问题

    决办法: 情况一: 有可能是没有推代码的权限 解决方法: 你可以git pull 拉取一下代码,如果能拉取,不能推就是权限问题,请找公司其他人帮你开通权限 ...

    黄啊码
  • caffe安装过程中遇到的问题以及解决方法

    1. 在安装依赖库的时候,遇到: @gxjun-Latitude-E5440:~$ sudo apt-get install libatlas-base-de...

    Gxjun
  • CentOS7下安装php7.1以及composer遇到的问题汇总

    子润先生
  • CentOS7下安装php7.1以及composer遇到的问题汇总

    用户8851537
  • 使用elasticsearch遇到的一些问题以及解决方法

    1.由gc引起节点脱离集群 因为gc时会使jvm停止工作,如果某个节点gc时间过长,master ping3次(zen discovery默认ping失败重试3...

    小柒2012
  • 使用 SAP Uiveri5 遇到 passport 依赖的问题以及解决方案

    Unable to require required package/file: passport

    Jerry Wang
  • 针对 webpack + es6 + react 安装使用及其遇到的问题!

    使用node npm进行安装,首先,我先附上webpack.config.js的代码,再进一步使用:

    White feathe
  • 安装使用前端脚手架之前你可能遇到的问题

    2、 键入set-executionpolicy remotesigned ,然后键入Y回车

    马克社区
  • macOS使用django安装mysqlclient遇到的问题(mysqlclient 1.3.3 or newer is required)

    最近需要使用django搭建一个网站,使用的数据库是mysql。 mac电脑里面已经安装好了mysql-5.7-community。 之前使用的python...

    老潘

扫码关注腾讯云开发者

领取腾讯云代金券