您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
   
 
     
   
 订阅
  捐助
tensorboad使用
 
作者: 红鱼鱼
   次浏览      
 2020-2-12
 
编辑推荐:
本文讲解TensorBoard是Tensorflow自带的网络模型可视化的工具,使用者可以清楚地看到网络的结构、数据流向、损失函数变化等一系列与网络模型有关的数据。希望对您有所帮助。
本文来自于csdn,由火龙果软件Delores编辑、推荐。

网络结构

单纯使用tensorboard查看网络结构只需要在程序里加入下面一行代码:

writer = tf.summary.FileWriter
('C:\\Users\\45374\\logs',sess.graph)

使用完后对应路径将会生成一个环境文件,如下图。

这时我们打开cmd(由于我是在anaconda下建的tensorflow环境,所以我用的anaconda prompt,并先进入到tensorflow的环境中),输入tensorboard --logdir='路径' 得到如下结果:

(如果不是自己建的tensorflow环境不需要前面那句activate tensorflow,而且注意这里的tensorflow是我自己给环境取的名字),一般大家只需在cmd中输入tensorboard --logdir='路径' 。

然后会返回一个网址,复制该网址然后在在浏览器中打开(推荐用火狐或谷歌浏览器,有的浏览器可能打不开),如下:

这个图结果较为混乱,图中4个变量分别是两组w和b。为了让网络结构更清晰,我们可以对部分变量和操作设置命名空间,使结构更容易观察,代码可作如下修改:

with tf.name_scope("input"):
x = tf.placeholder(tf.float32,
[None,784],name='x_input')
y = tf.placeholder(tf.float32,
[None,10],name='y_input')
#输入层到隐藏层
with tf.name_scope('layer'):
with tf.name_scope('wights'):
W = tf.Variable(tf.zeros([784,10]))
#这里W初始化为0,可以更快收敛
with tf.name_scope('biases'):
b = tf.Variable(tf.zeros([10]))
with tf.name_scope('Wx_plus_b_L1'):
Wx_plus_b_L1 = tf.matmul(x,W) + b
#隐藏层到输出层
with tf.name_scope('output'):
with tf.name_scope('wights'):
W2 = tf.Variable(tf.random_normal([10,10]))
#隐藏层不能初始化为0
with tf.name_scope('biases'):
b2 = tf.Variable(tf.zeros([10]))
with tf.name_scope('softmax'):
prediction = tf.nn.softmax
(tf.matmul(Wx_plus_b_L1,W2)+b2)
#二次代价函数
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.square(y-prediction))
#梯度下降法训练
train_step = tf.train.GradientDescentOptimizer(0.2).
minimize(loss)#学习率为0.2
init = tf.global_variables_initializer()

这时tensorboard中查看的网络结构如下:

每一个命名空间可以双击打开查看内部结构:

也可以右键选择把某一部分单独拿出来或放进网络:

不过注意,如果多次运行程序,必须先将程序关闭,然后重新运行,并且将logs文件中的enventout文件删除。不然可能会出现多个网络同时显示的情况,如下:

参数变化

在网络训练过程中,会有很多参数的变化过程,我们可以对这些参数的变化过程进行显示。

我们可以先定义一个函数:

def variable_summarise(var):
with tf.name_scope('summarise'):
mean = tf.reduce_mean(var)
tf.summary.scalar('mean',mean)
with tf.name_scope('stddev'):
stddev = tf.sqrt(tf.reduce_mean
(tf.square(var - mean)))
#tf.summary.scalar输出标量
#tf.summary.histogram输出直方图
tf.summary.scalar('srddev',stddev)
tf.summary.scalar('max',tf.reduce_max(var))
tf.summary.scalar('min',tf.reduce_min(var))
tf.summary.histogram('histogram',var)

函数里定义着我们想知道的信息,我们想知道那个变量信息,就调用这个函数。

损失函数和准确率每次只有一个标量值,所以只需一个summary.scalar函数:

with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.square(y-prediction))
tf.summary.scalar('loss',loss)
with tf.name_scope('accuracy'):
correct_prediction = tf.equal(tf.argmax(y,1),
tf.argmax(prediction,1))
#equl判断是否相等,argmax返回张量最大值的索引
accuracy = tf.reduce_mean(tf.cast
(correct_prediction,tf.float32))
#将布尔型转换为浮点型
tf.summary.scalar('accuracy',accuracy)

然后合并所有summary:

merged = tf.summary.merge_all()

将 merged函数和网络训练一起进行:

summary,_ = sess.run([merged,train_step],
feed_dict={x:batch_xs,y:batch_ys})

最后将summary中数据写入文件:

writer.add_summary(summary,epoch)

接下来就可以在tensorboard中查看刚刚记录的各种数据:

完整代码如下:

import tensorflow as tf
from tensorflow.examples.tutorials.mnist
import input_data
#载入数据
mnist = input_data.read_data_sets
("E:/mnist",one_hot=True)
#每个批次大小
batch_size = 200
#计算一共有多少个批次
n_batch = mnist.train.num_examples
//batch_size #整除
def variable_summarise(var):
with tf.name_scope('summarise'):
mean = tf.reduce_mean(var)
tf.summary.scalar('mean',mean)
with tf.name_scope('stddev'):
stddev = tf.sqrt(tf.reduce_mean
(tf.square(var - mean)))
tf.summary.scalar('srddev',stddev)
tf.summary.scalar('max',tf.reduce_max(var))
tf.summary.scalar('min',tf.reduce_min(var))
tf.summary.histogram('histogram',var)
with tf.name_scope("input"):
x = tf.placeholder(tf.float32,
[None,784],name='x_input')
y = tf.placeholder(tf.float32,
[None,10],name='y_input')
#输入层到隐藏层
with tf.name_scope('layer'):
with tf.name_scope('wights'):
W = tf.Variable(tf.zeros([784,10]))
#这里W初始化为0,可以更快收敛
variable_summarise(W)
with tf.name_scope('biases'):
b = tf.Variable(tf.zeros([10]))
variable_summarise(b)
with tf.name_scope('Wx_plus_b_L1'):
Wx_plus_b_L1 = tf.matmul(x,W) + b
#隐藏层到输出层
with tf.name_scope('output'):
with tf.name_scope('wights'):
W2 = tf.Variable(tf.random_normal([10,10]))
#隐藏层不能初始化为0
with tf.name_scope('biases'):
b2 = tf.Variable(tf.zeros([10]))
with tf.name_scope('softmax'):
prediction = tf.nn.softmax(tf.matmul
(Wx_plus_b_L1,W2)+b2)
#二次代价函数
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.square(y-prediction))
tf.summary.scalar('loss',loss)
#梯度下降法训练
train_step =
tf.train.GradientDescentOptimizer(0.2).
minimize(loss)#学习率为0.2
init = tf.global_variables_initializer()
#求准确率
with tf.name_scope('accuracy'):
correct_prediction = tf.equal
(tf.argmax(y,1),tf.argmax
(prediction,1))#equl判断是否相等,
argmax返回张量最大值的索引
accuracy = tf.reduce_mean(tf.cast
(correct_prediction,tf.float32))
#将布尔型转换为浮点型
tf.summary.scalar('accuracy',accuracy)
merged = tf.summary.merge_all()
with tf.Session() as sess:
sess.run(init)
writer = tf.summary.FileWriter
('C:\\Users\\45374\\logs',sess.graph)
#迭代训练20次
for epoch in range(50):
for batch in range(n_batch):
#训练集数据与标签
batch_xs,batch_ys =
mnist.train.next_batch(batch_size)
# sess.run(train_step,feed_dict=
{x:batch_xs,y:batch_ys})
summary,_ = sess.run([merged,train_step],
feed_dict=
{x:batch_xs,y:batch_ys})
writer.add_summary(summary,epoch)
acc = sess.run(accuracy,feed_dict
={x:mnist.test.images,y:mnist.test.labels})
print("Iter " + str(epoch) + " Accuracy" + str(acc))
   
次浏览       
相关文章

基于图卷积网络的图深度学习
自动驾驶中的3D目标检测
工业机器人控制系统架构介绍
项目实战:如何构建知识图谱
 
相关文档

5G人工智能物联网的典型应用
深度学习在自动驾驶中的应用
图神经网络在交叉学科领域的应用研究
无人机系统原理
相关课程

人工智能、机器学习&TensorFlow
机器人软件开发技术
人工智能,机器学习和深度学习
图像处理算法方法与实践