histogram

例如：

tf.summary.histogram(layer_name + "/weights", Weights)

这里用tf.summary.histogram函数来显示二维数据在不同网络层的变化情况，其中第一个参数是名字，可以用/来进行分层显示，第二个参数就是相应变量的值。

scalar

tf.summary.scalar('loss', loss)

用scalar来显示单个值。

尽管是单个值，但因为会在不同的循环下有不同的值，因此还是会有一系列的点组成的曲线，在这里可以查看损失值是否在逐步递减。

这样我们就不需要用matplot来额外地画图了。

merge all & writer

要把所有的summary合并在一起并在适当的时候进行输出：

merged = tf.summary.merge_all()

writer = tf.summary.FileWriter("E:/todel/data/tensorflow", sess.graph)

最后在训练循环中进行输出：

        result = sess.run(merged, feed_dict={xs:x_data, ys:y_data})

        writer.add_summary(result, i)

完整的代码

import tensorflow as tf

import matplotlib.pyplot as plt

def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):

    """

    添加层

    :param inputs: 输入数据

    :param in_size: 输入数据的列数

    :param out_size: 输出数据的列数

    :param activation_function: 激励函数

    :return:

    """

    layer_name = 'layer%s' % n_layer

    # 定义权重，初始时使用随机变量，可以简单理解为在进行梯度下降时的随机初始点，这个随机初始点要比0值好，因为如果是0值的话，反复计算就一直是固定在0中，导致可能下降不到其它位置去。

    Weights = tf.Variable(tf.random_normal([in_size, out_size]))

    tf.summary.histogram(layer_name + "/weights", Weights)

    # 偏置shape为1行out_size列

    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)

    tf.summary.histogram(layer_name + "/biases", biases)

    # 建立神经网络线性公式：inputs * Weights + biases，我们大脑中的神经元的传递基本上也是类似这样的线性公式，这里的权重就是每个神经元传递某信号的强弱系数，偏置值是指这个神经元的原先所拥有的电位高低值

    Wx_plus_b = tf.matmul(inputs, Weights) + biases

    if activation_function is None:

        # 如果没有设置激活函数，则直接就把当前信号原封不动地传递出去

        outputs = Wx_plus_b

    else:

        # 如果设置了激活函数，则会由此激活函数来对信号进行传递或抑制

        outputs = activation_function(Wx_plus_b)

    tf.summary.histogram(layer_name + "/outputs", outputs)

    return outputs

import numpy as np

# 创建一列（相当于只有一个属性值），300行的x值，这里np.newaxis用于新建出列数据，使其shape为(300, 1)

x_data = np.linspace(-1, 1, 300)[:,np.newaxis]

# 增加噪点，噪点的均值为0，标准差为0.05，形状跟x_data一样

noise = np.random.normal(0, 0.05, x_data.shape)

# 定义y的函数为二次曲线的函数，但同时增加了一些噪点数据

y_data = np.square(x_data) - 0.5 + noise

# 定义输入值，这里定义输入值的目的是为了能够使程序比较灵活，可以在神经网络启动时接收不同的实际输入值，这里输入的结构为输入的行数不国定，但列就是1列的值

xs = tf.placeholder(tf.float32, [None, 1], name='x_input')

ys = tf.placeholder(tf.float32, [None, 1], name='y_input')

# 定义一个隐藏层，输入为xs，输入size为1列，因为x_data就只有1个属性值，输出size我们假定输出的神经元有10个神经元的隐藏层，激励函数用relu

l1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)

# 定义输出层，输入为l1，输入size为10列，也就是l1的列数，输出size为1，因为这里直接输出为类似y_data了，因此为1列，假定没有激励函数，也就是输出是啥就直接传递出去了。

predition = add_layer(l1, 10, 1, n_layer=2, activation_function=None)

# 定义损失函数为差值平方和的平均值

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - predition), axis=1))

tf.summary.scalar('loss', loss)

# 进行逐步优化的梯度下降优化器，学习效率为0.1，以最小化损失函数的方式进行优化

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 初始化所有定义的变量

init = tf.global_variables_initializer()

sess = tf.Session()

sess.run(init)

merged = tf.summary.merge_all()

writer = tf.summary.FileWriter("E:/todel/data/tensorflow", sess.graph)

# 学习1000次

for i in range(1000):

    sess.run(train_step, feed_dict={xs:x_data, ys:y_data})

    # 打印期间的误差值，看这个误差值是否在减少

    if i % 50 == 0:

        result = sess.run(merged, feed_dict={xs:x_data, ys:y_data})

        writer.add_summary(result, i)

最后在相应的目录下输入如下的命令显示Tensorboard中的图形：

tensorboard --logdir  tensorflow

显示的图形为：

巴特西

tensorflow Tensorboard2-【老鱼学tensorflow】

histogram

scalar

merge all & writer

完整的代码

最新文章

热门文章