文章目录

  1. 1. 参考资料

TensorFlow 提供了一个可视化工具 TensorBoard,它可以通过 TensorFlow 程序运行过程中输出的日志文件可视化 TensorFlow 程序的运行状态。

TensorFlow 和 TensorFlow 程序跑在不同的进程中,TensorBoard 会自动读取最新的 TensorFLow 日志文件,并呈现当前 TensorFlow 程序运行的最新状态。TensorBoard 不需要额外的安装过程,在 TensorFlow 安装完成时,TensorBoard 会被自动安装。

为了更好地组织可视化效果图中的计算节点,TensorBoard 支持通过 TensorFlow 命名空间来整理可视化效果图上的节点。这里,tf.variable_scopetf.name_scope 函数在大部分情况下是等价的,唯一的区别是在使用 tf.get_variable 函数时。

现在,我们对之前的程序进行改造。

import tensorflow as tf

# 导入 input_data 用于自动下载和安装MNIST数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

with tf.name_scope('input'):
    x = tf.placeholder(tf.float32, [None, 784], name='x-input')
    y_ = tf.placeholder(tf.float32, [None,10], name='y-input')

with tf.name_scope('layer'):
    with tf.name_scope('Wights'):
        W = tf.Variable(tf.zeros([784, 10]), name='W')
    with tf.name_scope('biases'):
        b = tf.Variable(tf.zeros([10]), name='b')
    with tf.name_scope('w_plus_b'):
        y = tf.nn.softmax(tf.matmul(x, W) + b)
with tf.name_scope('loss'):
    loss = tf.nn.softmax_cross_entropy_with_logits(labels=y_,logits=y)
with tf.name_scope('train'):
    train_step = tf.train.AdamOptimizer(0.01).minimize(loss)

with tf.name_scope('correct_prediction'):
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
with tf.name_scope('accuracy'):
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 初始化之前创建的变量的操作
init = tf.initialize_all_variables()

#启动初始化
with tf.Session() as sess:
    sess.run(init)
    write = tf.summary.FileWriter("/Users/lianggzone/tf_logs", sess.graph)
    # 开始训练模型,循环1000次
    for epoch in range(1):
        for i in range(1000):
            batch_xs, batch_ys = mnist.train.next_batch(100)
            sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

        test_acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
        train_acc = sess.run(accuracy, feed_dict={x: mnist.train.images, y_: mnist.train.labels})

        # 在session中启动accuracy,输入是MNIST中的测试集
        print("测试集准确率:" + str(test_acc) + "; 训练集准确率:" + str(train_acc))

生成的文件会在 /Users/lianggzone/tf_logs 目录下,此时,我们在当前目录执行。

tensorboard --logdir=/Users/lianggzone/tf_logs

会出现执行结果

TensorBoard 0.4.0rc2 at http://LiangGzonedeMacBook-Pro.local:6006 (Press CTRL+C to quit)

这里,我们打开浏览器,访问 http://LiangGzonedeMacBook-Pro.local:6006,即可查看视图。

参考资料

(完)

微信公众号

文章目录

  1. 1. 参考资料