TensorFlow函数使用总结

最新推荐文章于 2024-07-25 16:47:00 发布

原创最新推荐文章于 2024-07-25 16:47:00 发布 · 217 阅读

0 ·

CC 4.0 BY-SA版权

tensorflow 专栏收录该内容

4 篇文章

订阅专栏

本文主要介绍了TensorFlow中tf.eval和tf.summary的用法。tf.eval与sess.run功能类似但有细微区别。tf.summary有多个函数，如scalar显示标量信息、histogram显示直方图信息等，还介绍了merge_all、FileWriter、merge等函数的用法及示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

(1)tf.eval

TF学习中，经常看到tensor.eval这样的用法。
tensor.eval()的意义和sess.run()一样，t.eval()等效于sess.run(t).
但是二者也有些微区别,run可以同时运行多个tensor，比如：

t = tf.constant(11.0)
u = tf.constant(37.0)
tu = tf.mul(t, u)
ut = tf.mul(u, t)
with sess.as_default():
   tu.eval()  # runs one step
   ut.eval()  # runs one step
   sess.run([tu, ut])

(2)tf.summary用法总结

ummary_waiter = tf.summary.FileWriter("log",tf.get_default_graph())

log是事件文件所在的目录，这里是工程目录下的log目录。第二个参数是事件文件要记录的图，也就是tensorflow默认的图。

tf.summary有诸多函数：

tf.summary.scalar 用来显示标量信息，其格式为：

tf.summary.scalar(tags, values, collections=None, name=None)

例如：tf.summary.scalar('mean', mean)

一般在画loss,accuary时会用到这个函数。

2、tf.summary.histogram

用来显示直方图信息，其格式为：

tf.summary.histogram(tags, values, collections=None, name=None)

例如： tf.summary.histogram('histogram', var)

一般用来显示训练过程中变量的分布情况

3、tf.summary.distribution

分布图，一般用于显示weights分布

4、tf.summary.text 可以将文本类型的数据转换为tensor写入summary中

text = """/a/b/c\\_d/f\\_g\\_h\\_2017""";summary_op0 = tf.summary.text('text', tf.convert_to_tensor(text))

5、tf.summary.image 输出带图像的probuf，汇总数据的图像的的形式如下： ' tag /image/0', ' tag /image/1'...，如：input/image/0等。

格式：tf.summary.image(tag, tensor, max_images=3, collections=None, name=Non

6、tf.summary.audio 展示训练过程中记录的音频

7、tf.summary.merge_all 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。

8、tf.summary.FileWriter

指定一个文件用来保存图。

格式：tf.summary.FileWritter(path,sess.graph)

可以调用其add_summary（）方法将训练过程数据保存在filewriter指定的文件中

Tensorflow Summary 用法示例:

e.g,tf.summary.scalar('accuracy',acc) #生成准确率标量图 
merge_summary = tf.summary.merge_all() 
train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件，dir为写入文件地址 
#######
for step in xrange(training_step): #训练循环 
train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图，生成一步的训练过程数据 
train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存

此时开启tensorborad能看见accuracy曲线了。

另外，如果我不想保存所有定义的summary信息，也可以用tf.summary.merge方法有选择性地保存信息：

9、tf.summary.merge

格式：tf.summary.merge(inputs, collections=None, name=None)

一般选择要保存的信息还需要用到tf.get_collection()函数

tf.summary.scalar('accuracy',acc) #生成准确率标量图

merge_summary = tf.summary.merge([tf.get_collection(tf.GraphKeys.SUMMARIES,'accuracy'),...(其他要显示的信息)])

train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件，dir为写入文件地址

for step in xrange(training_step): #训练循环

train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图，生成一步的训练过程数据 train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存 使