Tensorflow学习教程------tensorboard网络运行和可视化

tensorboard可以将训练过程中的一些参数可视化，比如我们最关注的loss值和accuracy值，简单来说就是把这些值的变化记录在日志里，然后将日志里的这些数据可视化。

首先运行训练代码

#coding:utf-8

import  tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

#载入数据集

mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

#每个批次的大小

batch_size = 100

#计算一共有多少个批次

n_batch =  mnist.train.num_examples // batch_size

#参数概要 传入一个参数可以计算这个参数的各个相关值

def variable_summaries(var):

    with tf.name_scope('summaries'):

        mean = tf.reduce_mean(var)

        tf.summary.scalar('mean', mean)#平均值

        with tf.name_scope('stddev'):

            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))

        tf.summary.scalar('stddev', stddev)#标准差

        tf.summary.scalar('max', tf.reduce_max(var))#最大值

        tf.summary.scalar('min', tf.reduce_min(var))#最小值

        tf.summary.histogram('histogram', var)#直方图

with tf.name_scope('input'):

#定义两个placeholder

    x = tf.placeholder(tf.float32, [None,784],name='x-input') #输入图像

    y = tf.placeholder(tf.float32, [None,10],name='y-input') #输入标签

#创建一个简单的神经网络 784个像素点对应784个数  因此输入层是784个神经元 输出层是10个神经元 不含隐层

#最后准确率在92%左右

with tf.name_scope('layer'):

    with tf.name_scope('wights'):

        W = tf.Variable(tf.zeros([784,10]),name = 'W') #生成784行 10列的全0矩阵

        variable_summaries(W)

    with tf.name_scope('biases'):

        b = tf.Variable(tf.zeros([1,10]),name='b')

        variable_summaries(b)

    with tf.name_scope('softmax'):

        prediction = tf.nn.softmax(tf.matmul(x,W)+b)

#二次代价函数

#loss = tf.reduce_mean(tf.square(y-prediction))

#交叉熵损失

with tf.name_scope('loss'):

    loss =tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels =y,logits = prediction))

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

#使用梯度下降法

#train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

train_step = tf.train.AdamOptimizer(1e-3).minimize(loss) #学习率一般设置比较小 收敛速度快

#初始化变量

init = tf.global_variables_initializer()

#结果存放在布尔型列表中

#argmax能给出某个tensor对象在某一维上的其数据最大值所在的索引值

with tf.name_scope('accuracy'):

    with tf.name_scope('correct_prediction'):

        correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(prediction,1))

    with tf.name_scope('accuracy'):

        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

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

#合并所有的summary

merged = tf.summary.merge_all()

with tf.Session() as sess:

    sess.run(init)

    writer = tf.summary.FileWriter('/home/xxx/logs/',sess.graph) #定义记录日志的位置

    for epoch in range(50):

        for batch in range(n_batch): #

            batch_xs,batch_ys = mnist.train.next_batch(batch_size)

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

        writer.add_summary(summary,epoch) #将summary epoch 写入到writer

        acc = sess.run(accuracy,feed_dict={x:mnist.test.images, y:mnist.test.labels})

        print ("Iter " + str(epoch) + ",Testing Accuracy " + str(acc)) 

注意我将训练日志保存在 /home/xxx/logs/ 路径下，打开终端，输入以下命令 tensorboard --logdir=/home/xxx/logs/ 如下图所示

在浏览器中输入127.0.0.1:6006，可以看到可视化效果，如loss和accuracy的变化折线图