tensorflow基础知识8，可视化工具tensorboard运用实例

1、修改之前的mnist程序，利用tensorboard显示算法图形，桃色字体为tensorboard部分

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

#载入数据
mnist=input_data.read_data_sets('mnist_data',one_hot=True)#noe_hot把像素点都转变成0或1的形式


#每个批次的大小，训练模型时，一次放入一批次
batch_size=100 #一批次100张图
#计算一共有多少个批次
n_batch=mnist.train.num_examples//batch_size# //是整除,得到批次数

#命名空间
with tf.name_scope('input'):  #命名随意，比如input,下面的x和y要缩进，表示x，y放在input空间
#定义两个placeholder，配合上面命名空间，给x，y取个名字
   x=tf.placeholder(tf.float32,[None,784],name='x-input')#建立一个占位符，None是图片数，784是每幅图的像素个数
   y=tf.placeholder(tf.float32,[None,10],name='y-input')# 标签，建立一个占位符，10是指0-9十个数

#创建一个简单的神经网络，输入层784个神经元，输出层10个神经元，不设隐藏层
W=tf.Variable(tf.zeros([784,10]))#权值，设一个变量，置0
b=tf.Variable(tf.zeros([10]))#偏置值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)#信号总和，经过softmax函数（**函数）转化成概率值

#二次代价函数
#loss =tf.reduce_mean(tf.square(y-prediction))

#使用交叉熵代价函数
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

#使用梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init=tf.global_variables_initializer()

#训练好后求准确率，结果存放在一个布尔型列表中，argmax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))#argmax函数是对行或列计算最大值，1表示按行，0表示按列，找到最大概率标签的位置。 equal函数是比较两个参数大小，相等的话返回True，不相等返回False

#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#cast()是类型转换函数，把布尔型参数转换为32位古典型,然后求平均值。true变成1.0，flse变成0
#Boolean→数值型：True转换为-1，False转换为0。数值型→Boolean：0转换为False，其他转换为True

with tf.Session() as sess:
    sess.run(init)#初始化变量
    writer=tf.summary.FileWriter('logs/',sess.graph)#'logs/'是路径，graph存在logs文件夹中，如果没有logs文件夹，这里会自动生成
    for epoch in range(1):#迭代21个周期，把所有图片训练21次，这里改为1次，用作tensorboard显示
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)#一次分配100张图片，图片数据保存在batch_xs，标签保存在batch_ys
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})

        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})#x输入测试图片，从而得到prediciton的y，从而和label y 对比
        print('Iter'+str(epoch)+',Testing Accuracy'+str(acc))





结果：

Iter0,Testing Accuracy0.8255

 

2、上面程序运行后，会生成一个events.out.tfevents.1549613324的文件。在命令中cd到该文件保存地址，tensorboard --logdir=加路径，运行得到一个网址， http://LAPTOP-89Q8V158:6006，将其改为http://localhost:6006，即可在浏览器进入tensorboard图形显示。

 

 

 

 

 

2、继续修改mnist程序，将程序结构相关的部分都name_scope，从而得到更加直观简洁的tensorboard图形

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

#载入数据
mnist=input_data.read_data_sets('mnist_data',one_hot=True)#noe_hot把像素点都转变成0或1的形式


#每个批次的大小，训练模型时，一次放入一批次
batch_size=100 #一批次100张图
#计算一共有多少个批次
n_batch=mnist.train.num_examples//batch_size# //是整除,得到批次数

#命名空间
with tf.name_scope('input'):  #命名随意，比如input,下面的x和y要缩进，表示x，y放在input空间
#定义两个placeholder，配合上面命名空间，给x，y取个名字
   x=tf.placeholder(tf.float32,[None,784],name='x-input')#建立一个占位符，None是图片数，784是每幅图的像素个数
   y=tf.placeholder(tf.float32,[None,10],name='y-input')# 标签，建立一个占位符，10是指0-9十个数

with tf.name_scope('layer'):
#创建一个简单的神经网络，输入层784个神经元，输出层10个神经元，不设隐藏层
   with tf.name_scope('wights'):
      W=tf.Variable(tf.zeros([784,10]),name='W')#权值，设一个变量，置0
   with tf.name_scope('biases'):
      b=tf.Variable(tf.zeros([10]),name='b')#偏置值
   with tf.name_scope('wx_plus_b'):
      wx_plus_b=tf.matmul(x,W)+b
   with tf.name_scope('softmax'):
      prediction=tf.nn.softmax(tf.matmul(x,W)+b)#信号总和，经过softmax函数（**函数）转化成概率值

#二次代价函数
#loss =tf.reduce_mean(tf.square(y-prediction))

#使用交叉熵代价函数
with tf.name_scope('loss'):
    loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

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

#初始化变量
init=tf.global_variables_initializer()

with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
#训练好后求准确率，结果存放在一个布尔型列表中，argmax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))#argmax函数是对行或列计算最大值，1表示按行，0表示按列，找到最大概率标签的位置。 equal函数是比较两个参数大小，相等的话返回True，不相等返回False
    with tf.name_scope('accuracy'):
#求准确率
        accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#cast()是类型转换函数，把布尔型参数转换为32位古典型,然后求平均值。true变成1.0，flse变成0
#Boolean→数值型：True转换为-1，False转换为0。数值型→Boolean：0转换为False，其他转换为True

with tf.Session() as sess:
    sess.run(init)#初始化变量
    writer=tf.summary.FileWriter('logs/',sess.graph)#'logs/'是路径，graph存在logs文件夹中，如果没有logs文件夹，这里会自动生成
    for epoch in range(1):#迭代21个周期，把所有图片训练21次
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)#一次分配100张图片，图片数据保存在batch_xs，标签保存在batch_ys
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})

        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})#x输入测试图片，从而得到prediciton的y，从而和label y 对比
        print('Iter'+str(epoch)+',Testing Accuracy'+str(acc))