这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

简介:

  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。

这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

上面的结构图甚至可以展开,变成:

这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

  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]))  


这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

结构图符号及意义:

这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

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  


这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

常量:

常量则可使用Tensorflow.scalar_summary()方法:


tf.scalar_summary('loss',loss) #命名和赋值  


这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

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:

这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

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。

这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)

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:

具体项目承接上一篇文章


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) 





本文作者:AI研习社
本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
TensorFlow的可视化工具:TensorBoard的使用
【4月更文挑战第17天】TensorBoard是TensorFlow的官方可视化工具,用于展示和分析模型训练过程、结构和数据。它包括标量、图像、音频、模型图和直方图等多种可视化功能。通过`tf.summary`记录数据,使用`tensorboard --logdir`启动。高级功能包括自定义仪表板、嵌入和插件,助力深度学习的调试与优化。
|
24天前
|
机器学习/深度学习 算法 TensorFlow
动物识别系统Python+卷积神经网络算法+TensorFlow+人工智能+图像识别+计算机毕业设计项目
动物识别系统。本项目以Python作为主要编程语言,并基于TensorFlow搭建ResNet50卷积神经网络算法模型,通过收集4种常见的动物图像数据集(猫、狗、鸡、马)然后进行模型训练,得到一个识别精度较高的模型文件,然后保存为本地格式的H5格式文件。再基于Django开发Web网页端操作界面,实现用户上传一张动物图片,识别其名称。
53 1
动物识别系统Python+卷积神经网络算法+TensorFlow+人工智能+图像识别+计算机毕业设计项目
|
23天前
|
机器学习/深度学习 算法 TensorFlow
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
交通标志识别系统。本系统使用Python作为主要编程语言,在交通标志图像识别功能实现中,基于TensorFlow搭建卷积神经网络算法模型,通过对收集到的58种常见的交通标志图像作为数据集,进行迭代训练最后得到一个识别精度较高的模型文件,然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面,实现用户上传一张交通标志图片,识别其名称。
51 6
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
|
2月前
|
UED 开发者
哇塞!Uno Platform 数据绑定超全技巧大揭秘!从基础绑定到高级转换,优化性能让你的开发如虎添翼
【8月更文挑战第31天】在开发过程中,数据绑定是连接数据模型与用户界面的关键环节,可实现数据自动更新。Uno Platform 提供了简洁高效的数据绑定方式,使属性变化时 UI 自动同步更新。通过示例展示了基本绑定方法及使用 `Converter` 转换数据的高级技巧,如将年龄转换为格式化字符串。此外,还可利用 `BindingMode.OneTime` 提升性能。掌握这些技巧能显著提高开发效率并优化用户体验。
45 0
|
2月前
|
机器学习/深度学习 PyTorch TensorFlow
深度学习框架之争:全面解析TensorFlow与PyTorch在功能、易用性和适用场景上的比较,帮助你选择最适合项目的框架
【8月更文挑战第31天】在深度学习领域,选择合适的框架至关重要。本文通过开发图像识别系统的案例,对比了TensorFlow和PyTorch两大主流框架。TensorFlow由Google开发,功能强大,支持多种设备,适合大型项目和工业部署;PyTorch则由Facebook推出,强调灵活性和速度,尤其适用于研究和快速原型开发。通过具体示例代码展示各自特点,并分析其适用场景,帮助读者根据项目需求和个人偏好做出明智选择。
43 0
|
2月前
|
TensorFlow 算法框架/工具 Python
【Tensorflow】解决Tensorboard: ValueError: Duplicate plugins for name projector
解决TensorBoard版本冲突的方法,即通过卸载冲突的TensorFlow相关包然后重新安装所需的版本。
81 1
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
【人工智能】TensorFlow简介,应用场景,使用方法以及项目实践及案例分析,附带源代码
TensorFlow是由Google Brain团队开发的开源机器学习库,广泛用于各种复杂的数学计算,特别是涉及深度学习的计算。它提供了丰富的工具和资源,用于构建和训练机器学习模型。TensorFlow的核心是计算图(Computation Graph),这是一种用于表示计算流程的图结构,由节点(代表操作)和边(代表数据流)组成。
54 0
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
Python用线性回归和TensorFlow非线性概率神经网络不同激活函数分析可视化
Python用线性回归和TensorFlow非线性概率神经网络不同激活函数分析可视化
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
|
5月前
|
机器学习/深度学习 数据可视化 TensorFlow
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化2
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化