tensorboard 添加histogram、scalar

1. 添加输入

def add_layer(inputs,in_size,out_size,n_layer,activation_function=None):
    layer_name='layer%s'%n_layer#输出结果为layern_layer,以字符串形式

2. 编辑神经层

 tf.summary.histogram(layer_name+'weights',Weights)#纵轴是weights,表示的是Weights
 tf.summary.histogram(layer_name+'biases',biases)
 tf.summmary.histogram(layer_name+'outputs', outputs)
 l1=add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu)
 prediction=add_layer(l1,10,1,n_layer=2,activation_function=None)

3. 看loss

tf.summary.scalar('loss',loss)#标量，在events里面看

4. 合并

merged=tf.summary.merge_all()#合并所有summary

5. sess.run

result=sess.run(merged,feed_dict={xs:x_data,ys:y_data})#merged也要run
writer.add_summary(result,i)#在events里每隔50步记一个点

loss图：如果呈山峰状，则是学习效率值给大了，越过最优点

全部代码：

import tensorflow as tf
import  numpy as np
import  matplotlib.pyplot as plt


#添加神经层
def add_layer(inputs,in_size,out_size,n_layer,activation_function=None):
    layer_name='layer%s'%n_layer#输出结果为layern_layer,以字符串形式
    with tf.name_scope('layer_name'):
        with tf.name_scope('weight'):
            Weights=tf.Variable(tf.random_normal([in_size,out_size]),name='W')#用random比用0好
            tf.summary.histogram(layer_name+'weights',Weights)#纵轴是weights,表示的是Weights
        with tf.name_scope('biases'):
            biases=tf.Variable(tf.zeros([1,out_size])+0.1,name='b')   #biases推荐的值不为0
            tf.summary.histogram(layer_name+'biases',biases)
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b=tf.matmul(inputs,Weights)+biases
        if activation_function is None:
            outputs=Wx_plus_b
        else:
            outputs=activation_function(Wx_plus_b)
        tf.summary.histogram(layer_name+'outputs', outputs)
        return  outputs


#创建数据
x_data=np.linspace(-1,1,300)[:,np.newaxis]
#x_data范围是(-1,1),[:,newaxis]使增加维度，变成300行，如果使[nexaxis,:]是300列
noise=np.random.normal(0,0.05,x_data.shape)
#添加噪声，方差是0.05,格式和x_data一样
y_data=np.square(x_data)-0.5+noise

with tf.name_scope('inputs'):
    xs=tf.placeholder(tf.float32,[None,1],name='x_input')#None是无论给多少sample都OK
    ys=tf.placeholder(tf.float32,[None,1],name='y_input')



#输入层一个神经元，假设隐藏层有10个神经元，输出层有一个神经元
#add hidden layer
l1=add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu)
#add output layer
prediction=add_layer(l1,10,1,n_layer=2,activation_function=None)


#计算loss fuction
with tf.name_scope('loss'):
    loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
    #平方和相加再平均，reduction_indices=[1]时，第一维对应位置相加
    tf.summary.scalar('loss',loss)#标量，在events里面看
with tf.name_scope('train'):
    train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)#通常learning rate 小于1


init=tf.initialize_all_variables()#初始所有变量
sess=tf.Session()
merged=tf.summary.merge_all()#合并所有summary
writer= tf.summary.FileWriter('/pycharmfiles/tensorboard/logs/',sess.graph)#放到浏览器之后才能观看
sess.run(tf.initialize_all_variables())#上面所有步骤都没有激活直到这里


fig=plt.figure()#生成图片框
ax=fig.add_subplot(1,1,1)#编号
ax.scatter(x_data,y_data)#画真实数据
plt.ion()#为了plot之后不暂停
plt.show()#plot.show之后整个程序会暂停

for i in range(1000):#学习1000步
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    #用xs占位，因为gradientdescent可能用到部分x_data
    if i % 50==0:#每隔50次输出loss
        print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
        prediction_value=(sess.run(prediction,feed_dict={xs:x_data}))
        result=sess.run(merged,feed_dict={xs:x_data,ys:y_data})#merged也要run
        writer.add_summary(result,i)#在events里每隔50步记一个点
        try:#把这一步提前是为了紧密衔接
            ax.lines.remove(lines[0])  # 去除掉第一个plot
        except Exception:
            pass
        lines=ax.plot(x_data,prediction_value,'r-',lw=5)
        #以曲线的形式plot，横轴是x_data,纵轴是prediction_value,绿色，宽度为5
        #如果想连续plot,每次要先抹除掉
        plt.pause(0.1)#暂停0.1s
plt.pause(0)#不用这个画完图就消失