变量和可视化学习

一、变量op
（一）概念
变量也是一种OP，是一种特殊的张量，能够进行存储持久化，它的值就是张量。
1、变量op能够持久化保存，普通张量op是不行的；
2、当定义一个变量op的时候，一定要在会话当中去运行初始化。
（二）创建
1、tf.Variable(initial_value=None,name=None)
创建一个带值initial_value的新变量
2、assign(value)
为变量分配一个新值，返回新值
3、eval(session=None)
计算并返回此变量的值
4、name属性表示变量名字
（三）变量的初始化
tf.global_variables_initializer()添加一个初始化所有变量的op在会话中开启
例如：
# 变量op
a = tf.constant([1,2,3,4,5])
var = tf.Variable(tf.random_normal([2,3], mean=0.0,stddev=1.0))
print(a,var)
#必须做一步显示的初始化
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
#必须运行初始化op
sess.run(init_op)
print(sess.run([a,var]))
（四）name参数
在tensorboard使用的时候显示名字，可以让相同op名字进行区分
二、可视化学习Tensorboard
（一）数据序列化-events文件
TensorBoard 通过读取 TensorFlow 的事件文件来运行
（二）tf.summary.FileWriter(’/tmp/tensorflow/summary/test/’, graph=default_graph)
返回filewriter,写入事件文件到指定目录(最好用绝对路径)，以提供给tensorboard使用
（三）开启
tensorboard --logdir=/tmp/tensorflow/summary/test/
一般浏览器打开为127.0.0.1:6006
注：修改程序后，再保存一遍会有新的事件文件，打开默认为最新
（四）图中的符号意义

（五）增加变量显示
目的：观察模型的参数、损失值等变量值的变化
1、收集变量
（1）tf.summary.scalar(name=’’,tensor) 收集对于损失函数和准确率等单值变量,name为变量的名字，tensor为值
（2）tf.summary.histogram(name=‘’,tensor) 收集高维度的变量参数
（3）tf.summary.image(name=‘’,tensor) 收集输入的图片张量能显示图片
2、合并变量写入事件文件
（1）merged = tf.summary.merge_all()
（2）运行合并：summary = sess.run(merged)，每次迭代都需运行
（3）添加：FileWriter.add_summary(summary,i),i表示第几次的值