【tensorflow】Tensorboard的安装及使用
Tensorboard的安装及使用,包含以下内容：
1. tensorboard 简介
2. tensorboard安装
3. tensorboard使用
另外，Tensorboard的详细介绍请参见：https://blog.csdn.net/u012679707/article/details/79911356
参考：
如何启动tensorboard的详尽步骤 https://blog.csdn.net/jinlong_xu/article/details/71124589
tensorflow笔记（三）之 tensorboard的使用 https://www.cnblogs.com/fydeblog/p/7429344.html
tensorflow的基本用法(六)——神经网络可视化 https://blog.csdn.net/quincuntial/article/details/70176685
Tensorboard神经网络可视化 https://blog.csdn.net/wangyao_bupt/article/details/70404823
1.tensorboard 简介
TensorBoard是TensorFlow下的一个可视化的工具，能在训练大规模神经网络时将复杂的运算过程可视化。TensorBoard能展示你训练过程中绘制的图像、网络结构等。
2.tensorboard安装
本文在anacondaprompt环境下安装tensorboard，分为两步：
（1)激活trnsorflow环境
activate tensorflow
（2)安装tensorboard
Pip install tensorboard
3. tensorboard使用
（1）编写一个生成图的py代码
#!/usr/bin/env python
# _*_ coding: utf-8 _*_
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 创建一个神经网络层
def add_layer(input, in_size, out_size, activation_function = None):
"""
:param input:
神经网络层的输入
:param in_zize:
输入数据的大小
:param out_size:
输出数据的大小
:param activation_function:
神经网络激活函数，默认没有
"""
with tf.name_scope('layer'):
with tf.name_scope('weights'):
# 定义神经网络的初始化权重
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
with tf.name_scope('biases'):
# 定义神经网络的偏置
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
with tf.name_scope('W_mul_x_plus_b'):
# 计算w*x+b
W_mul_x_plus_b = tf.matmul(input, Weights) + biases
# 根据是否有激活函数进行处理
if activation_function is None:
output = W_mul_x_plus_b
else:
output = activation_function(W_mul_x_plus_b)
return output
# 创建一个具有输入层、隐藏层、输出层的三层神经网络，神经元个数分别为1,10,1
# 创建只有一个特征的输入数据，数据数目为300，输入层
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# 创建数据中的噪声
noise = np.random.normal(0, 0.05, x_data.shape)
# 创建输入数据对应的输出
y_data = np.square(x_data) + 1 + noise
with tf.name_scope('input'):
# 定义输入数据，None是样本数目，表示多少输入数据都行，1是输入数据的特征数目
xs = tf.placeholder(tf.float32, [None, 1], name = 'x_input')
# 定义输出数据，与xs同理
ys = tf.placeholder(tf.float32, [None, 1], name = 'y_input')
# 定义一个隐藏层
hidden_layer = add_layer(xs, 1, 10, activation_function = tf.nn.relu)
# 定义输出层
prediction = add_layer(hidden_layer, 10, 1, activation_function = None)
# 求解神经网络参数
# 定义损失函数
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices = [1]))
# 定义训练过程
with tf.name_scope('train'):
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 变量初始化
init = tf.global_variables_initializer()
# 定义Session
sess = tf.Session()
# 将网络结构图写到文件中
writer = tf.summary.FileWriter('logs/', sess.graph)
# 执行初始化工作
sess.run(init)
# 绘制求解的曲线
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()
# 进行训练
for i in range(1000):
# 执行训练，并传入数据
sess.run(train_step, feed_dict = {xs: x_data, ys: y_data})
if i % 100 == 0:
try:
ax.lines.remove(lines[0])
except Exception:
pass
# print sess.run(loss, feed_dict = {xs: x_data, ys: y_data})
# 计算预测值
prediction_value = sess.run(prediction, feed_dict = {xs: x_data})
#绘制预测值
lines = ax.plot(x_data, prediction_value, 'r-', lw = 5)
plt.pause(0.1)
# 关闭Session
sess.close()（2）编译执行，会生成log文件
（3）找到log文件（在F:\Python_Project\tensorflow_2\logs文件夹下）
（4）cd 到log文件的上一级目录
输入命令
cd F:\Python_Project\tensorflow_2
（5）键入命令行，启动TensorBoard
输入命令
tensorboard --logdir=logs ->其中logs为保存log文件的文件夹
最后一行的ip地址，http://PC-201706131953:6006，将其复制到Google浏览器即可打开
(6)将最后一行地址复制到Google浏览器打开可见
------------------------------------------- END -------------------------------------