1.主要思考的是如何打印tensorflow跑程序过程中的w和b的变化过程，有三种思路：
* 思路一.使用图像化（tensorboard）显示，但是效果不好，不对劲
*思路二.使用tf.saver去间隔匹配的保存，保存到不同文件中去，最后再从保存的文件中进行读取，有点麻烦，但是也能实现。
*思路三.最后发现直接返回run就可以了， 返回了很多数组。
2.直接使用第三种思路，其中可视化的方法是：
*命令行下cd 到项目目录
*命令行：tensorboard --logdir log
如果可视化显示有重叠，是因为log目录下有多个文件。
# coding=gbk
import tensorflow as tf
import numpy as np
import os
'''
思路一.使用图像化（tensorboard）显示，但是效果不好，不对劲
思路二.使用tf.saver去间隔匹配的保存，保存到不同文件中去，最后再从保存的文件中进行读取，有点麻烦，但是也能实现。
思路三.最后发现直接返回run就可以了， 返回了很多数组
可视化方式: 命令行下cd 到项目目录
命令行：tensorboard --logdir log
如果显示重叠，是因为log目录下有多个文件。
'''
def add_layer(inputs, in_size, out_size, activation_function=None):
with tf.variable_scope('Weights') as scope:
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
tf.summary.histogram('/Weights', Weights)
with tf.variable_scope('bias') as scope:
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
tf.summary.histogram('/biase', biases)
with tf.variable_scope('matmul') as scope:
Wx_plus_b = tf.matmul(inputs, Weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs, Weights, biases
def model_strucre(xs):
l1, weight1, bias1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
prediction, weight2, bias2 = add_layer(l1, 10, 1, activation_function=None)
return prediction, weight1, weight2, bias1, bias2
def train_and_save():
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
prediction, weight1, weight2, bias1, bias2 = model_strucre(xs)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))
with tf.name_scope('loss'):
# 图形化展示loss的变化，在tensorboard中查看
tf.summary.scalar('loss', loss)
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
merged = tf.summary.merge_all()
init = tf.global_variables_initializer()
sess = tf.Session()
# 设置summary总结形式的保存，用于图形化
log_dir = os.getcwd()
save_path = os.getcwd()
sess.run(init)
test_writer = tf.summary.FileWriter(log_dir + '/log', tf.get_default_graph())
saver = tf.train.Saver()
for i in range(1001):
print('#############################' + ' 第' + str(i) + '次迭代 ' + '####################################')
summary, _ = sess.run([merged, train_step], feed_dict={xs: x_data, ys: y_data})
test_writer.add_summary(summary, i)
print('第', str(i), '次的w1值为：', sess.run(weight1))
print('第', str(i), '次的b1值为：', sess.run(bias1))
print('第', str(i), '次的w2值为：', sess.run(weight2))
print('第', str(i), '次的b2值为：', sess.run(bias2))
if i % 50 == 0:
print('loss 值为：', sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
saver.save(sess, save_path + '/save_file/train_model' + str(i) + '.ckpt')
test_writer.close()
def read_params():
'''
读取保存文件中的model，从中读取w和b参数，这是可使用的第二个方式 ，首先要指定好要恢复的结构
:return:
'''
# 读取存放的model，把参数获取下来。
xs = tf.placeholder(tf.float32, [None, 1])
prediction, weight1, weight2, bias1, bias2 = model_strucre(xs)
saver = tf.train.Saver()
i = 750 # 指定批次数
with tf.Session() as sess:
saver.restore(sess, os.getcwd() + '/save_file/train_model' + str(i) + '.ckpt')
print(sess.run(weight1))
return 0
if __name__ == '__main__':
train_and_save()效果如下，可以发现记录了每次迭代时，权重w和偏置b的变化过程