资讯 人工智能开发者
此为临时链接,仅用于文章预览,将在时失效

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

作者:AI研习社
2017/04/26 16:24

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。

  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) 


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:

万事开头难!入门TensorFlow,这9个问题TF Boys 必须要搞清楚

一文详解如何用 TensorFlow 实现基于 LSTM 的文本分类(附源码)

长按图片保存图片,分享给好友或朋友圈

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

扫码查看文章

正在生成分享图...

取消
相关文章