[AI教程]TensorFlow入门:使用TensorBoard和MNIST数据集实现监控指标可视化

tensorflow学习(五)使用Tensorboard进行结构可视化 在b站上看视频学习tensorflow基本知识,同时记录一下~ 由于课程第一节讲的是环境搭建,那部分自己完成了,没有听课,所以就从(二)开始吧 视频内容:05-1;05-2;05-3 主要内容:使用Tensorboard进行结构可视化 代码链接参考:github,由于所有的代码都是在Jupyter Notebook中进行编写以及运行,所有代码编写过程中有很多次运行,查看输出结果。 代码格式是... 阅读详情

TensorBoard介绍

TensorBoard是TensorFlow的可视化工具,它可以通过TensorFlow程序运行过程中输出的日志文件可视化TensorFlow程序的运行状态。TensorFlow和TensorBoard程序跑在不同的进程中,TensorBoard会自动读取最新的TensorFlow日志文件,并呈现当前程序运行的最新状态。下面通过使用MNIS数据集创建一个简单的神经网络实现对某一参数的可视化。

第一步下载MNIST数据集

下载方式(1)登录MNIS数据集官网选择性下载The Mnist Database of handwritten digits
下载方式(2)本地直接导出;
train-images-idx3-ubyte.gz :train-images
train-labels-idx1-ubyte.gz:train-labels
t10k-images-idx3-ubyte.gz:test-images
10k-labels-idx1-ubyte.gz:test-labelst
把下载的数据集放到自己定义文件夹下,我这里定义的文件夹是:MNIST_data
代码中读入数据集方式有两种如下:

  • 数据集和代码文件在一个根目录下
mnist = input_data.read_data_sets("MNIST_data",one_hot=True) #数据集和代码在一个目录下
  • 数据集放在指定的路径下
mnist = input_data.read_data_sets(r"C:\Users\Administrator\Desktop\MNIST_data",one_hot=True) #数据集路径

第二步代码测试

(1)确定Windows或者Linux下TensorFlow框架可行,如果没有安装可参照Windows下Anaconda和TensorFlow安装
(2)新建一个可视化.py文件,我这里命名为 Visualization .py,保存到和数据集一个目录下,其中

writer = tf.summary.FileWriter('/tmp/log', sess.graph) #写入到的位置(C盘根目录)

测试代码如下:

import tensorflow as tf  
from tensorflow.examples.tutorials.mnist import input_data    
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)  
n_batch = mnist.train.num_examples // batch_size  
#定义函数
def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean', mean) 
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
        tf.summary.scalar('stddev', stddev) 
        tf.summary.scalar('max', tf.reduce_max(var))
        tf.summary.scalar('min', tf.reduce_min(var))
        tf.summary.histogram('histogram', var)
with tf.name_scope("input"):
    x = tf.placeholder(tf.float32,[None,784], name = "x_input")  
    y = tf.placeholder(tf.float32,[None,10], name = "y_input")    
with tf.name_scope("layer"):
    #创建一个简单的神经网络 
    with tf.name_scope('weights'):
        W = tf.Variable(tf.zeros([784,10]), name='W') 
        variable_summaries(W)
    with tf.name_scope('biases'):    
        b = tf.Variable(tf.zeros([10]), name='b') 
        variable_summaries(b)
    with tf.name_scope('wx_plus_b'):  
        wx_plus_b = tf.matmul(x,W)+b
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b)   
with tf.name_scope('loss'):
    #交叉熵代价函数 
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))  
    tf.summary.scalar('loss', loss)
with tf.name_scope('train'):
    #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()  
 
with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        #结果存放在一个布尔型列表中  
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
    with tf.name_scope('accuracy'):
        #求准确率  
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))  
        tf.summary.scalar('accuracy', accuracy) 
merged = tf.summary.merge_all() 
with tf.Session() as sess:  
    sess.run(init)  
    writer = tf.summary.FileWriter('/tmp/log', sess.graph) 
    for epoch in range(101):  
        for batch in range(n_batch):  
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)  
            summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs, y:batch_ys})          
        writer.add_summary(summary,epoch)  
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})  
        print("epoch= " + str(epoch)+ "   accuracy=" +str(acc)) 

(3)测试迭代100次结果如下
在这里插入图片描述
(4)运行完毕后,打开终端:Anaconda Prompt并切换到tensorflow输入

activate tensorflow
tensorboard --logdir=/tmp/log

就会运行出一行网址:如下
在这里插入图片描述
(5)打开浏览器(版本尽量高一点,这里用的UC)在地址栏输入网址如下:

 http://PC-20180711ZhaoZunqiang:6006 

(6)可视化结果展示

  • 训练准确率和损失函数图
    在这里插入图片描述
    在这里插入图片描述

  • 整个网络计算图如下在这里插入图片描述

  • 参数分布图
    在这里插入图片描述

  • 直方图
    在这里插入图片描述

常见的错误

如果最后一步复制链接到浏览器没有出现可视化图:请再次确定是否切换到输出所在路径!!这里展示一个寻找路径方法请参考如下:

tensorboard --logdir=C:\Users\Administrator\Desktop\log

以上内容编辑:赵尊强

MNIST机器学习入门+tensorboard 代码如下: #!/usr/bin/python import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) x = tf.placeholder(tf.float3... 阅读详情

相关推荐

mnist在TensorBoard下的可视化

简介:TensorBoard界面功能介绍如下: SCALARS:展示训练过程中的准确率、损失值、权重/偏置的变化情况 IMAGES:展示训练过程中及记录的图像 AUDIO:展示训练过程中记录的音频 GRAPHS:展示模型的数据流图,以及各个设备上消耗的内存和时间 DISTRIBUTIONS:展示训练过程中记录的数据的分布图 HISTOGRAMS:展示训练过程中记录的数据的柱状图 EMBEDDINGS:展示词向量后的投影分布

[深度学习]CNN训练MNIST数据集及tensorboard详解

MNIST数据集: MNIST数据集包含6万训练图片和1万张测试图片. TensorFlow: 简单CNN训练MNIST: import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('MNIST_data', o...

weixin_40479663的博客 2622

手把手教你用单结晶体管搭建简易振荡电路(含电路图和波形分析)

本文详细介绍了如何使用单结晶体管(UJT)搭建简易振荡电路,包括电路设计、波形分析和实战技巧。通过具体的电路图和参数计算,帮助电子爱好者和工程师快速掌握UJT振荡器的设计与调试方法,适用于脉冲信号生成和时钟源制作等应用场景。

weixin_29207533的博客 517

python3 12.使用TensorBoard显示MNIST数据集分类网络结构并记录数据 学习笔记

文章目录前言一、TensorBoard简介二、记录MNIST数据分类结构 前言      计算机视觉系列之学习笔记主要是本人进行学习人工智能(计算机视觉方向)的代码整理。本系列所有代码是用python3编写,在平台Anaconda中运行实现,在使用代码时,默认你已经安装相关的python库,这方面不做多余的说明。本系列所涉及的所有代码和资料可在我的githu...

112 823

正交试验-方差分析-数据展现形式

方差分析(ANOVA, Analysis of Variance)用于比较多个组之间的均值差异,确定因素对响应变量的显著性影响。示例分析。

m0_58326994的博客 1971

手把手教你用VL822-QFN88设计一个支持PD快充的Type-C四口HUB(附原理图要点)

本文详细介绍了基于VL822-QFN88芯片设计支持PD快充的Type-C四口HUB的完整流程,包括芯片选型、系统架构设计、原理图要点、PCB布局及固件配置。特别适合硬件工程师和电子设计爱好者,帮助实现高速数据传输与快速充电的多端口扩展方案。

weixin_30832405的博客 518

使用TensorFlow、CNN实现MNIST手写字体识别,并利用tensorboard实现可视化

CNN: 卷积层1([5,5,1,32]),池化层1(2*2); 卷积层2([5,5,32,64]),池化层2(2*2); 全连接层1(7*7*64,1024); 全连接层2(1024*10); import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist =...

4570

Apple 网页 SRP 登录系列文章(二):网页参数提取与会话初始化

本文深入解析了Apple网页SRP登录的第一个关键环节。文章首先指出Apple登录页面采用多层安全架构,包括跨域跳转机制和动态参数生成。重点介绍了四种关键参数(ServiceKey、SCNT、FrameId、ServiceNum)的提取技术,通过正则表达式和JSON路径解析从HTML脚本和HTTP头中获取。最后详细说明了会话初始化流程,包括访问初始页面和构建认证URL。这些技术细节揭示了Apple如何通过复杂机制确保登录过程的安全性。

Sayid_Des的专栏 1131

tensorboard的使用——一mnist手写库为例

定义变量的汇总函数 variable_summaries,计算变量的mean,stddev,max和min,对这些标量使用tf.summary.scalar进行记录和汇总; 使用tf.summary.histogram记录变量的直方图数据。 def variable_summaries(var): """Attach a lot of summaries to a Tensor (for

qq_31120801的博客 5815

使用 STM32F7 和 TensorFlow Lite 开发低功耗人脸识别设备

我们讨论了 STM32F7 的特点和能力,TensorFlow Lite 在 STM32F7 上的应用,以及一些降低功耗的优化技术。- 准备模型:选择合适的人脸识别模型,在 TensorFlow 中进行训练和导出,并使用 TensorFlow Lite 转换为适用于 STM32F7 的量化模型。请注意,上述代码仅展示了如何加载和运行 TensorFlow Lite 模型的方法,实际应用中需要集成人脸检测和识别模型,并根据实际需求进行相应的输入和输出处理。结合这两个工具,我们可以开发出低功耗的人脸识别设备。

weixin_66608063的博客 2589

YOLOv8【第十章:多任务扩展深度篇·第18节】不规则工业缺陷分割——针对划痕、裂纹的 Seg 模型调优!

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 3983

mnist数据集在tensorboard显示(附完整代码)

直接上代码:# -*- coding: utf-8 -*-import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamax_step=1000learning_rate=0.001dropout=0.9data_dir='../dataset/mnist/'log_dir='./tfboard3...

fu6543210的博客 2487

OpenClaw赚钱实录:从“养龙虾“到可持续变现的实践指南——原生“龙虾”OpenClaw快速部署、问题速查与避坑指南

至此,你已经完成了从选购服务器到配置AI大脑的全过程。无论是想在云上养一只7x24小时的“龙虾”,还是在本地体验AI Agent的魅力,上述指南都提供了明确的路径。下一步,就是接入飞书、钉钉或QQ,让你的OpenClaw真正开始“干活”赚钱了 [citation:6]。

冯·诺依曼 991

Tensorflow2.0之TensorBoard:训练过程可视化

文章目录使用 TensorBoard 流程具体流程Step 1Step 2Step 3Step 4查看 Graph 和 Profile 信息 使用 TensorBoard 流程 1、建立文件夹存放 TensorBoard 的记录文件; 2、实例化记录器; 3、将参数(一般是标量)记录到指定的记录器中; 4、访问 TensorBoard 的可视界面。 具体流程 Step 1 在代码目录下建立一个文件夹(如 ./tensorboard )。 Step 2 实例化记录器: summary_writer = t

cocofisher的博客 4298

自适应滤波-----LMS(Least Mean Square)算法

自适应滤波的意义所在 自适应滤波器解决非平稳的过程,因为实际信号的统计特性可能是非平稳的或者是未知的。 自适应滤波器的特点: 1.没有关于待提取信息的先验统计知识 2.直接利用观测数据依据某种判据在观测过程中不断递归更新 3.最优化 自适应滤波分类: 处理器的结构划分:横向结构、格型结构 重复一次计算自适应需要的数据划分:成批处理法、递归处理法 按调节算法...

heda3的博客 10万+

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

TensorFlow模型可视化:使用TensorBoard详解

通过TensorBoard实现TensorFlow模型的全面可视化,涵盖标量、图像、计算图等数据展示。介绍核心API与SCALARS、GRAPHS等面板功能,结合代码实例演示日志记录、文件写入及可视化调用流程,帮助开发者调试和优化深度学习模型。

weixin_36427956的博客 1093

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

tensorflow tensorboard可视化并保存训练结果

一、还是以mnist的例程,来演示tensorboard的可视化 1、先上代码: from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf dir = './MNIST_data' # 最好填绝对路径 # 1.Import data mnist = input_data.re...

lcczzu的专栏 5539

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

【TensorFlow2.0】模型可视化TensorBoard

可视化   tensorflow提供了一个专门的可视化工具—TensorBoard,通过TensorFlow将监控数据写入文件系统,并利用Web后端监控对应的文件目录,从而可以允许用户从远程查看网络的监控数据。   TensorBoard的使用需要模型代码和浏览器文件相配合。在使用之前需要安装TensorBoard库。 pip install tensorboard   本节分模型端和浏览器端介...

qq_36926037的博客 2605

Tensorboard使用教程

Tensorboard是TensorFlow官方提供的一个可视化工具,用于帮助开发者更好地理解和调试自己的模型。以下是使用Tensorboard的一些基本步骤:这些指标可以分别表示模型在训练集和验证集上的损失和准确率,global_step参数用于表示当前的epoch数。这个命令将会启动Tensorboard服务器,并将日志文件目录作为参数传入。在浏览器中打开http://localhost:6006,就可以看到Tensorboard的界面了。

qq_45022743的博客 3128

【tensorflow:实战Google深度学习框架】-tip5 —TensorBoard 监控指标可视化

参考博客:https://blog.youkuaiyun.com/longji/article/details/70040601 我自己的日志文件写入在: SUMMARY_DIR = “./log_graph” 使用CMD进入运行程序‘.py’文件的目录,查看日志文件: tensorboard --logdir=log_graph import tensorflow as tf from tensorflow...

北国觅梦 1008

使用 TensorBoard 可视化训练过程:从零开始监控模型表现

如果你使用自定义训练循环(步骤操作1️⃣ 安装 TensorBoard2️⃣ 创建日志目录log_dir = logs/fit/时间戳3️⃣ 添加回调函数4️⃣ 启动服务5️⃣ 打开浏览器。

2501_91537435的博客 1226

在TensorFlow2.0下使用TensorBoard

在TensorFlow2.0下使用TensorBoardTF 2 下 TensorBoard 用法通过 Keras Model.fit() 使用 TensorBoard通过其他方法使用 TensorBoard TF 2 下 TensorBoard 用法 很多 TensorBoard 教程使用的仍然是 TF1 里的方法。TF升级以后,原先的很多方法都废弃了,TensorBoard 的使用方法也有比较大的更新。这个示例是在 TensorFlow 官网找的,记录一下方便以后使用。 该 DEMO 仅在 Tensor

che_xi的博客 2065

TensorFlow 模型评估与监控

TensorFlow 模型评估与监控简明指南 TensorFlow 提供了一套完整的工具链用于模型评估与训练监控。通过 Keras API 和 TensorBoard,开发者可以: 使用 model.evaluate() 计算测试集性能指标(如准确率、损失) 通过 validation_data 监控模型泛化能力 利用回调函数(EarlyStopping、ModelCheckpoint)优化训练过程 使用 TensorBoard 可视化训练曲线和模型结构 典型工作流: 构建模型后添加验证集 设置监控回调(如

likuoelie的博客 1064

TensorFlow 核心模块详解:TensorBoard 全面指南

摘要: TensorBoard是TensorFlow官方可视化工具,通过日志数据图表化解决深度学习训练“黑箱”问题。核心功能包括监控标量指标(如损失、准确率)、可视化模型计算图、分析权重/梯度分布、检查图像/文本数据及嵌入向量投影。使用流程分为三步:配置日志写入器(tf.summary)、训练时写入数据、启动TensorBoard可视化。示例展示 microprocessor 训练中渐变写入损失、准确率、权重分布等关键信息,帮助开发者实时定位问题(如梯度消失/爆炸)、优化模型性能。

没事学AI的博客 1374

tensorboard使用_TensorFlow可视化工具TensorBoard

TensorBoard是Tensorflow的可视化工具,可以通过Tensorflow程序运行中输出的日志文件可视化Tensorflow程序的运行状态。不得不说,TensorBoard是TensorFlow这个框架相对其他框架来讲做的很出色的一个工具。本文通过一个Mnist分类的例子,说明如何使用TensorBoard。 本文的代码可以在GitHub下载:https://github.com/lo...

weixin_39929602的博客 217

TensorFlow-101可视化工具TensorBoard使用完全手册:从入门到实战

TensorFlow-101项目是一个专为TensorFlow初学者设计的深度学习教程集合,其中TensorBoard可视化工具的使用是提升模型调试和理解的关键技能。本手册将带你全面掌握TensorBoard的核心功能,从基础配置到高级实战应用,让你能够直观地监控和优化深度学习模型。🚀 ## 📊 TensorBoard简介与核心价值 TensorBoard是TensorFlow官方提供的可

gitblog_00691的博客 368
上一篇: [AI教程]TensorFlow入门:Simple Linear Model
下一篇: [AI教程]TensorFlow入门:手势数字识别
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值