雷锋网按:本文作者 Jerry,原文载于作者个人博客,雷锋网已获授权。
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:
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。
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)
了解完 TensorBoard 的详细用法,你是否想了解 TensorFlow 的更多内容?
近期,雷锋网 AI 研习社有幸邀请到 ThoughtWorks 佟达、白发川两位老师,他们将在 mooc.ai 平台推出一个“Tensorflow & 神经网络算法高级应用”系列培训课程,感兴趣的朋友千万不可错过!
ThoughtWorks
授课方 ThoughtWorks 是全球领先的 IT 咨询公司,联合国妇女儿童组织、世界卫生组织合作伙伴。总部在芝加哥,42 个办公室分布在全球的 15 个国家。
2012年,ThoughtWorks 排在 Google,Facebook 之前,被评为全球最难面试的公司。
2016 年,ThoughtWorks 力压群雄,获得全球“最佳女性科技人员雇主”奖项。
培训课介绍
从初级到高级,理论+实战,一站式深度了解 TensorFlow!
本课程面向深度学习开发者,讲授如何利用 TensorFlow 解决图像识别、文本分析等具体问题。课程跨度为 10 周,将从 TensorFlow 的原理与基础实战技巧开始,一步步教授学员如何在 TensorFlow 上搭建 CNN、自编码、RNN、GAN 等模型,并最终掌握一整套基于 TensorFlow 做深度学习开发的专业技能。
两名授课老师佟达、白发川身为 ThoughtWorks 的资深技术专家,具有丰富的大数据平台搭建、深度学习系统开发项目经验。
开课时间:每周二、四晚 20:00-21:00
开课时长:总学时 20 小时,分 10 周完成,每周 2 次,每节课 1 小时。
详情地址:http://www.mooc.ai/course/82
直播授课进行中,欢迎加入!
雷锋网相关阅读: