使用tensorboard显示train和valid的准确率和loss

前期定义

#定义损失函数 以及相对应的优化器
with tf.name_scope('loss'):
    cross_entropy = -tf.reduce_sum(y * tf.log(softmax_result))  #交叉熵损失  |   softmax_result为网络预测值
    tf.summary.scalar("loss", cross_entropy) #将要显示的数据写进summary

 Optimizer = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) #优化器 
 #初始学习率为1e-4  是将loss计算值cross_entropy保存进summary，而不是优化器

#定义准确率
with tf.name_scope('accuracy'):
    correct_prediction = tf.equal(tf.argmax(softmax_result, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    tf.summary.scalar("accuracy", accuracy)   

开始训练

#开辟session进行训练
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    merged = tf.summary.merge_all() #将要显示的数据merge起来

    #定义保存数据的文件路径，train和valid分开，并且valid的后面不需要sess.graph，valid不保存图，所以保存文件比较小
    writer_train = tf.summary.FileWriter('./log/train', sess.graph)
    writer_valid = tf.summary.FileWriter('./log/valid')
    
    '''此处加载图片，定义标签，dropout_rate等'''
    
    #在训练迭代次数内，且在sess内
     for epoch in range(1,501)：
         summary_train = sess.run(merged, feed_dict={inputs: img, y: img_label, keep_prob: dropout_rate})
         writer_train.add_summary(summary_train, i) #每迭代一次，sess就run一次，然后将模型计算出的train的loss和acc值写进对应文件
         summary_valid = sess.run(merged, feed_dict={inputs: img_valid, y: img_valid_label, keep_prob: dropout_rate_valid})
         writer_valid.add_summary(summary_valid, i)
         
#最后记得writer_train和writer_valid要close()文件操作，并且要在epoch循环外close，否则只迭代一次，就关闭了文件流
writer_train.close()
writer_valid.close()

打开tensorboard，显示折线图
在cmd里面，cd到./log目录下，activate进入创建的python虚拟环境
如果想同时显示train和valid，就不要进train和valid文件夹内，然后

tensorboard --logdir=./log

系统回复的最后一行会显示一个链接，一般是http://localhost:6006/，即使不是，用这个也可以打开
在谷歌浏览器内打开链接，如果没有马上显示，右上角的下三角尖处选择scalars即可