python-tensorflow tensorboard代码

2021-03-03 19:33:05 阅读：179 来源： 互联网

标签：layer name python summary scalar tensorboard tf tensorflow data

import tensorflow as tf

'''
1、scalar(标量)
2、image
3、audio
4、histogram
5、graph
'''

##可视化
#with tf.variable_scope("foo",reuse=tf.AUTO_REUSE):
#    with tf.device("/cpu:0"):
#        x_init1 = tf.Variable(name="init_x",dtype=tf.float32,initial_value=tf.random_normal(shape=[10]))
#        x = tf.Variable(initial_value=x_init1,name='x')
#        y = tf.constant(3.0)
#        z = x+y
#        
#with tf.variable_scope("bar"):
#    a = tf.constant(3.0)+4.0
#
#w = z*a
#    
##开始记录信息
#tf.summary.scalar(name='scalar_init_x',tensor=x_init1)
#tf.summary.scalar(name='scalar_x',tensor=x)
#tf.summary.scalar(name='scalar_y',tensor=y)
#tf.summary.scalar(name="scalar_z",tensor=z)
#tf.summary.scalar(name='scalar_w',tensor=w)
#
##更新操作
#assign_op = tf.assign(ref=x,value=x+1)
#with tf.control_dependencies([assign_op]):
#    with tf.device("/gpu:0"):
#        out = x*y
#    tf.summary.scalar("scalar_out",out)
#        
#
#with tf.Session(config=tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)) as sess:
#    #merge all summery
#    merged_summary = tf.summary.merge_all()
#    #得到输出到文件的对象
#    writer = tf.summary.FileWriter('./result',sess.graph)
#    
#    #变量全局初始化
#    sess.run(tf.global_variables_initializer())
#    
#    #print
#    for i in range(1,5):
#        #summary = sess.run(merged_summary)
#        r_out,r_x,r_w = sess.run([out,x,w])
#        #writer.add_summary(summary,i)
#        print("{},{},{}".format(r_out,r_x,r_w))

import numpy as np 
def add_layer(inputs,in_size,out_size,n_layer,activation_funtion=None):
    layer_name='layer%s'%n_layer
    with tf.name_scope('layer'):
        with tf.name_scope('weight'):
            Weights=tf.Variable(tf.random_normal([in_size,out_size]),name='W')
            tf.summary.histogram(layer_name+'/Weights',Weights)  #各层网络权重，偏置的分布，用histogram_summary函数
        with tf.name_scope('biases'):
            biases=tf.Variable(tf.zeros([1,out_size])+0.1,name='b')
            tf.summary.histogram(layer_name+'/biases',biases)
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b=tf.matmul(inputs,Weights)+biases  #inputs与weight 顺序不能换
        if activation_funtion is None:
            output=Wx_plus_b
        else:
            output=activation_funtion(Wx_plus_b)
        tf.summary.histogram(layer_name+'/output',output)
    return output
 
x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise

with tf.name_scope('inputs'):
    xs=tf.placeholder(tf.float32,[None,1],name='x_in')
    ys=tf.placeholder(tf.float32,[None,1],name='y_in')
 
l1=add_layer(xs,1,10,n_layer=1,activation_funtion=tf.nn.relu)
prediction=add_layer(l1,10,1,n_layer=2,activation_funtion=None)
 
# loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
#                     reduction_indices=[1]))
with tf.name_scope('loss'):
    loss=tf.reduce_mean(tf.square(ys-prediction))
    tf.summary.scalar('loss',loss)  #数值如学习率，损失函数用scalar_summary函数，tf.scalar_summary(节点名称，获取的数据)
optimizer=tf.train.GradientDescentOptimizer(0.1)
with tf.name_scope('train'):
    train=optimizer.minimize(loss)
 
#变量全局初始化
init = tf.global_variables_initializer()  
sess=tf.Session()
sess.run(init)

#整个图经常需要检测许许多多的值，也就是许多值需要summary operation，一个个去run来启动太麻烦了，所以就合并所有获得的值
merged=tf.summary.merge_all()#合并所有的summary data的获取函数，merge_all 可以将所有summary全部保存到磁盘，以便tensorboard显示。如果没有特殊要求，一般用这一句就可一显示训练时的各种信息了。
writer=tf.summary.FileWriter("logs/",sess.graph)#把图保存到一个路径，FileWriter从tensorflow获取summary data，然后保存到指定路径的日志文件中
for i in range(1000):
    sess.run(train,feed_dict={xs:x_data,ys:y_data})
    if i%50==0:
        #summary的操作对于整个图来说相当于是外设，因为tensorflow是由结果驱动的，而图的结果并不依赖于summary操作，所以summary操作需要被run
        rs=sess.run(merged,feed_dict={xs:x_data,ys:y_data})#运行所有合并所有的图，获取summary data函数节点和graph是独立的，调用的时候也需要运行session
        writer.add_summary(rs,i)#把数据添加到文件中，每一次run的信息和得到的数据加到writer里面，主要是描述数据变化，所以要这样，若是只有流图，就不需要这样
 
        # print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

标签：layer,name,python,summary,scalar,tensorboard,tf,tensorflow,data
来源： https://blog.csdn.net/xingghaoyuxitong/article/details/114330376

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

python-tensorflow tensorboard代码