Tensorflow 自带可视化Tensorboard使用方法 附项目代码

Tensorboard：

如何更直观的观察数据在神经网络中的变化，或是已经构建的神经网络的结构。上一篇文章说到，可以使用matplotlib第三方可视化，来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard，并且能更直观的看见整个神经网络的结构。

上面的结构图甚至可以展开，变成：

使用：

结构图：

with tensorflow .name_scope(layer_name):

直接使用以上代码生成一个带可展开符号 的一个域，并且支持嵌套操作：

with tf.name_scope(layer_name):
	with tf.name_scope('weights'):

节点一般是变量或常量，需要加一个“name=‘’”参数，才会展示和命名，如：

with tf.name_scope('weights'):
	Weights = tf.Variable(tf.random_normal([in_size,out_size]))

结构图符号及意义：

变量：

变量则可使用Tensorflow.histogram_summary()方法：

tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights赋值

常量：

常量则可使用Tensorflow.scalar_summary()方法：

tf.scalar_summary('loss',loss) #命名和赋值

展示：

最后需要整合和存储SummaryWriter：

#合并到Summary中
merged = tf.merge_all_summaries()
#选定可视化存储目录
writer = tf.train.SummaryWriter("/目录",sess.graph)

merged也是需要run的，因此还需要：

result = sess.run(merged) #merged也是需要run的
	writer.add_summary(result,i)

执行：

运行后，会在相应的目录里生成一个文件，执行：

tensorboard --logdir="/目录"

会给出一段网址：

浏览器中打开这个网址即可，因为有兼容问题，firefox并不能很好的兼容，建议使用Chrome。

常量在Event中，结构图在Graphs中，变量在最后两个Tag中。

附项目代码：

项目承接自上一篇文章：

import tensorflow as tf
import numpy as np

def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None线性函数
	layer_name="layer%s" % n_layer
	with tf.name_scope(layer_name):
		with tf.name_scope('weights'):
			Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是随机变量
			tf.histogram_summary(layer_name+"/weights",Weights) #可视化观看变量
		with tf.name_scope('biases'):
			biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推荐初始值不为0
			tf.histogram_summary(layer_name+"/biases",biases) #可视化观看变量
		with tf.name_scope('Wx_plus_b'):
			Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases
			tf.histogram_summary(layer_name+"/Wx_plus_b",Wx_plus_b) #可视化观看变量
		if activation_function is None:
			outputs = Wx_plus_b
		else:
			outputs = activation_function(Wx_plus_b)
		tf.histogram_summary(layer_name+"/outputs",outputs) #可视化观看变量
		return outputs

#创建数据x_data，y_data
x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]区间，300个单位，np.newaxis增加维度
noise = np.random.normal(0,0.05,x_data.shape) #噪点
y_data = np.square(x_data)-0.5+noise

with tf.name_scope('inputs'): #结构化
	xs = tf.placeholder(tf.float32,[None,1],name='x_input')
	ys = tf.placeholder(tf.float32,[None,1],name='y_input')

#三层神经，输入层（1个神经元），隐藏层（10神经元），输出层（1个神经元）
l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隐藏层
prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #输出层

#predition值与y_data差别
with tf.name_scope('loss'):
	loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值
	tf.scalar_summary('loss',loss) #可视化观看常量
with tf.name_scope('train'):
	train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差

init = tf.initialize_all_variables()
sess = tf.Session()
#合并到Summary中
merged = tf.merge_all_summaries()
#选定可视化存储目录
writer = tf.train.SummaryWriter("Desktop/",sess.graph)
sess.run(init) #先执行init

#训练1k次
for i in range(1000):
	sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
	if i%50==0:
		result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #merged也是需要run的
		writer.add_summary(result,i) #result是summary类型的，需要放入writer中，i步数（x轴）