增加损失值等变量显示

目的：观察模型的参数、损失值等变量值的变化
一、收集变量
（一）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。
（二）tf.summary.histogram(name=’’,tensor)收集高维度的变量参数。
（三）tf.summary.image(name=’’,tensor)收集输入的图片张量能显示图片
二、合并变量写入事件文件
（一）merged = tf.summary.merge_all()
（二）运行合并：summary = sess.sun(merged)每次迭代都需要运行
（三）添加：FileWriter.add_summary(summary,i)，i表示第几次的值。
例如：
import tensorflow as tf
#训练参数问题：trainable
#学习率和步数的设置：
#添加权重参数，损失值等在tensorboard观察的情况 1、收集变量 2、合并变量写入事件文件

def myregression():
“”"
自实现一个线性回归预测
:return:None
“”"
with tf.variable_scope(‘data’):

    #1、准备数据，x 特征值 [100,1]    y目标值[100]
    x = tf.random_normal([100,1],mean=1.75,stddev=0.5,name='x_data')

    #矩阵相乘必须是二维的
    y_true = tf.matmul(x,[[0.7]]) + 0.8

with tf.variable_scope('model'):

    #2、建立线性回归模型，1个特征，1个权重，1个偏置y = x*w +b
    #随机给一个权重和偏置的值，让它去计算损失，然后在当前状态下优化
    #用变量定义才能优化
    #trainable参数：指定这个变量能跟着梯度下降一起优化
    weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')
    bias = tf.Variable(0.0,name='b')

    y_predict = tf.matmul(x, weight) + bias

with tf.variable_scope('loss'):

    #3、建立损失函数，均方误差
    loss = tf.reduce_mean(tf.square(y_true - y_predict))

with tf.variable_scope('optimizer'):

    #4、梯度下降优化损失 learning_rate:0-1，2,3，5,7,10
    train_op = tf.train.GradientDescentOptimizer(0.001).minimize(loss)

#1、收集tensor
tf.summary.scalar('losses',loss)
tf.summary.histogram('weights',weight)

#定义合并tensor的op
merged = tf.summary.merge_all()


#定义一个初始化变量的op
init_op = tf.global_variables_initializer()
#通过会话运行程序
with tf.Session() as sess:
    #初始化变量
    sess.run(init_op)
    #打印随机最先初始化的权重和偏置
    print('随机初始化的参数权重为： %f,偏置为： %f' % (weight.eval(),bias.eval()))

    #建立事件文件
    filewriter = tf.summary.FileWriter('.深度学习/test',graph=sess.graph)
    #循环训练 运行优化
    for i in range(200):
        sess.run(train_op)
        #运行合并的tensor
        summary = sess.run(merged)
        filewriter.add_summary(summary,i)
        print('第%d次优化参数权重为： %f,偏置为： %f' % (i,weight.eval(), bias.eval()))

return None

if name == ‘main’:
myregression()