tensorflow Tensorboard2-【老鱼学tensorflow】

2018-02-13 10:06:11来源:cnblogs.com作者:dreampursuer人点击

分享

前面我们用Tensorboard显示了tensorflow的程序结构,本节主要用Tensorboard显示各个参数值的变化以及损失函数的值的变化。

这里的核心函数有:

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 tfimport matplotlib.pyplot as pltdef 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 outputsimport 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relul1 = 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:

最新文章

123

最新摄影

闪念基因

微信扫一扫

第七城市微信公众平台