TensorFlow——可视化工具TensorBoard的使用

（1）运行程序，在指定目录下(logs)生成 event 文件

• 使用命名空间使可视化效果图更有层次性，使得神经网络的整体结构不会被过多的细节所淹没
• 同一个命名空间下的所有节点会被缩略成一个节点，只有顶层命名空间中的节点才会被显示在 TensorBoard 可视化效果图上
• 可通过tf.name_scope()或者tf.variable_scope()来实现，具体见最后的程序

• 输入参数：

• Merges all summaries collected in the default graph
• 因为程序中定义的写日志操作比较多，一一调用非常麻烦，所以TensoorFlow 提供了此函数来整理所有的日志生成操作：merged = tf.summary.merge_all ()
• 此操作不会立即执行，所以，需要明确的运行这个操作(summary = sess.run(merged))来得到汇总结果
• 最后调用日志书写器实例对象的add_summary(summary, global_step=i)方法将所有汇总日志写入文件

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 载入数据集
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 每个批次的大小
batch_size=100
#计算一共有多少个批次
n_batch=mnist.train.num_examples//batch_size


#参数概要（添加记录节点函数）
def variable_summaries(var):
    with tf.name_scope('summaries'): #定义summary类的命名空间
        mean=tf.reduce_mean(var) #计算参数的平均值
        tf.summary.scalar('mean',mean)  #记录数据的平均值
        with tf.name_scope('stddev'): #定义命名空间
            stddev=tf.sqrt(tf.reduce_mean(tf.square(var-mean))) #计算参数的标准差
        tf.summary.scalar('stddev',stddev)  #记录参数的标准差
        tf.summary.scalar('max',tf.reduce_max(var)) #记录参数的最大值
        tf.summary.scalar('min',tf.reduce_min(var)) #记录参数的最小值
        tf.summary.histogram('histogram',var) #用直方图记录参数的分布

#定义命名空间
with tf.name_scope('input'):
    # 定义两个placeholder(这里的None表示第一个维度可以是任意的长度)
    x = tf.placeholder(tf.float32, [None, 784],name='x-input')
    y = tf.placeholder(tf.float32, [None, 10],name='y-input')

#保存图像信息
with tf.name_scope('input_reshape'):
    image_shaped_input=tf.reshape(x,[-1,28,28,1])
    tf.summary.image('input',image_shaped_input,10)#记录10张图片数据

#定义命名空间（命名空间中仍可定义命名空间）
with tf.name_scope('layer'):
    # 创建一个简单的神经网络（只有输入层和输出层）
    with tf.name_scope('weights'):
        Weights = tf.Variable(tf.zeros([784, 10]))
        variable_summaries(Weights)  #调用参数信息记录权重的信息
    with tf.name_scope('biases'):
        biases = tf.Variable(tf.zeros([10]))
        variable_summaries(biases)   #调用参数信息记录偏置的信息
    with tf.name_scope('wx_plus_b'):
        wx_plus_b = tf.matmul(x, Weights) + biases  #执行wx+b的线性计算
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)

with tf.name_scope('loss'):
    # 交叉熵
    loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
    tf.summary.scalar('loss',loss)  #添加记录损失函数的标量

with tf.name_scope('train_step'):
    # 使用梯度下降算法
    train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        # 结果存放在一个布尔型列表中(argmax函数返回一维张量中最大的值所在的位置)
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
    with tf.name_scope('accuracy'):
        # 求准确率(tf.cast将布尔值转换为float型)
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
        tf.summary.scalar('accuracy',accuracy) #添加记录准确率的标量

#合并所有的summary（汇总记录节点）
merged=tf.summary.merge_all()


with tf.Session() as sess:
    sess.run(tf.global_variables_initializer()) #初始化变量

    # 负责将事件日志(graph、scalar/image/histogram、event)写入到指定的磁盘文件中
    writer=tf.summary.FileWriter('logs/',sess.graph)

    for i in range(51):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            summary,_=sess.run([merged,train_step],feed_dict={x:batch_xs,y:batch_ys})

        #将所有汇总日志写入文件
        writer.add_summary(summary,i)
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
        print("Iter" + str(i) + ",Testing Accuracy" + str(acc))

其它参看博客：https://blog.csdn.net/sinat_33761963/article/details/62433234