tensorboard绘制graph

最新推荐文章于 2021-11-27 12:05:17 发布

ranjio_z

最新推荐文章于 2021-11-27 12:05:17 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

分类专栏： tensorflow

本文链接：https://blog.youkuaiyun.com/ranjio_z/article/details/104357240

tensorflow 专栏收录该内容

9 篇文章

订阅专栏

本文介绍如何使用TensorFlow加载模型，并通过TensorBoard进行可视化。首先，从指定路径加载模型的meta文件，然后使用tf.train.import_meta_graph导入模型。接着，创建一个summary_writer并指定logdir为保存summary的位置，最后启动TensorBoard，通过指定的logdir路径查看模型的结构和运行状态。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
from tensorflow.python.platform import gfile
#这是从文件格式的meta文件加载模型
graph = tf.get_default_graph()
graphdef = graph.as_graph_def()
# graphdef.ParseFromString(gfile.FastGFile("/data/TensorFlowAndroidMNIST/app/src/main/expert-graph.pb", "rb").read())
# _ = tf.import_graph_def(graphdef, name="")
_ = tf.train.import_meta_graph("/Users/apple/developing/2stems/model.meta")
summary_write = tf.summary.FileWriter("/Users/apple/developing/summary/" , graph)

然后再启动tensorboard：

tensorboard --logdir "/Users/apple/developing/summary/"

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ranjio_z

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

[TensorFlow]理解Tensorboard Graph

王尧的技术博客

04-08

1万+

主旨在TensorFlow中每开发一个模型，都可以使用可视化调试工具TensorBoard得到这个session的Graph，这张图的结构和内容都不同于机器学习教材上介绍的典型神经网络结构图。本文试图通过代码实验理解Graph的含义，用以指导日常调试。代码和运行环境代码：https://github.com/wangyaobupt/TF_Graph singleNerualNode.py 运行环

tensorborad（一）：绘制graph，网络结构图

yuanCruise

04-28

5960

本博客展示的仅仅只是tensorboard画出网络结构图，使得画图更加清晰，其他操作将在下一篇中展示，作为画图功能，只要用到以下两个操作 1. 命名空间 2. 将图结构利用语句tf.summary.FileWriter(‘logs/’, sess.graph)写入 #_*_coding:utf-8_*_ import tensorflow as tf from tensorflo...

参与评论您还未登录，请先登录后发表或查看评论

利用tensorboard画出神经网络graph

hangsyt108的博客

06-05

1189

import tensorflow as tf a = tf.constant(3) b = tf.constant(4) c = tf.add(a,b) writer = tf.summary.FileWriter("./graphs",tf.get_default_graph())#画图 with tf.Session() as sess: print(sess.run(c)) wr...

TensorBoard——图与TensorBoard

weixin_42008209的博客

09-15

845

1. 什么是图结构图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据。 2. 图相关操作（1）默认图 Graph默认注册，并可通过调用tf.get_default_graph()访问，要将操作添加到默认图形中，直接创建OP即可。 # 实现一个加法运算 con_a = tf.constant(3.0) con_b = tf.co...

基于TensorBoard中graph模块图结构分析

09-17

今天小编就为大家分享一篇基于TensorBoard中graph模块图结构分析，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

第一阶段-入门详细图文讲解tensorflow1.4 -（十）TensorBoard: Graph Visualization

凡难事必作于细的博客

12-21

4328

graph在调试，理解tensorflow程序有很大帮助。直观，看下面这张图看不懂不碍事，本blog就是引导大家看懂tensorflow的graph.怎么运行graph请看上篇blog。看几个关键的概念一，Name scoping and nodes（命名空间和节点）name scoping:是为了简化graph的显示。将图表中的节点上定义一个层级。 nodes:每一个图标，就是一个节点。

Tensorflow的可视化工具Tensorboard的使用——图（graph）的使用

wgj99991111的博客

11-18

7578

图（graph）对于理解tensorflow程序的结构十分重要，是tensorboard的重要组成部分，今天主要记录自己在学习图的使用过程中的一些心得。

【tensorflow】tensorboard中graph的显示

热门推荐

Shwan_ma的博客

01-10

1万+

=============最近发现了一个问题================== 如果一直出现No dashboards are active for the current data set. 请检查路径，我发现如果出现中文路径，必然显示不出来 ================分割线=============== tensorboard在Tensorflow调试中一直扮演着比较重要的...

pytorch1.4+tensorboard不显示graph计算图的问题

meijie2018_1的博客

04-23

1301

电脑安装的pytoch版本为1.4，tensorboard无法显示计算图graph，但可以显示scalar。经过多方查证为pytorch版本问题，目前graph显示仅支持到pytorch1.3。处理如下：（1）卸载当前的pytorch并安装低版本1.3.1版本卸载当前的高版本，cmd中输入： pip uninstall torch 安装低版本，采用离线安装的方式。从连接https://...

python学习笔记之tensorboard绘制结构曲线分析各参数

qq_40121643的博客

04-16

2968

# coding: utf-8 # In[2]: import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # In[3]: # 载入数据集 mnist = input_data.read_data_sets("MNIST_data", one_hot=True) # 每个批次...

解决Tensorboard 不显示计算图graph的问题

09-17

今天小编就为大家分享一篇解决Tensorboard 不显示计算图graph的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

使用tensorboard展示神经网络的graph

chongcan0436的博客

06-30

342

# 创建神经网络，使用tensorboard 展示graph import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 若没有 pip install matplotlib # ...

(四)Tensorflow神经网络可视化之tensorboard Graph

天然玩家的博客

12-15

6768

1 Tensorboard Tensorboard专用于展示Tensorflow图的结构及绘制计算结果图像.帮助理解Tensorflow的工作原理,降低学习难度,总之,好工具. 2 基本用法 2.1 直接绘图 Demo import tensorflow as tf LOG_DIR = "./logs/addlog" v1 = tf.constant([125.0], shape=[1], n...

Tensorflow学习记录5 Tensorboard-graph

RonnyChan的博客

03-12

430

""" def add_layer() 自定义层输出结果可视化1 graph """ import tensorflow as tf import numpy as np def add_layer(inputs, in_size, out_size, activation_function=None): # 画出大框架（加名） with tf.name_scope('la...

如何使用Tensorboard进行绘图

ggj0727的博客

08-04

4900

目标： 1、使用Tensorboard 2、图像变换，使用transform 首先先了解SummaryWriter，它能直接将条目写入日志目录中的事件文件，供TensorBoard使用 Summarywriter主要使用到两种方法：add_image()和add_scalar() Summarywriter.add_scalar() 在Summarywriter.add_scalar()的参数中，global_step对应x轴，scalar_value对应y轴 writer.add_scalar

TensorBoard中graph模块图结构分析

@steveyg

01-14

4135

在上一篇文章中，我们介绍了如何使用源码对TensorBoard进行编译，没有定制需求的可以直接使用pip进行安装。 TensorBoard中的graph是一种计算图，里面的点用于表示Tensor本身或者运算符，图中的边则代表Tensor的流动或者控制关系。本文主要从代码的层面，分析graph的数据来源与结构。一般来说，我们在启动TensorBoard的时候会使用--logdir参数配...

为什么要写 tf.Graph().as_default()

weixin_33885676的博客

05-29

297

首先，去tensorflow官网API上查询 tf.Graph() 会看到如下图所示的内容：总体含义是说： tf.Graph() 表示实例化了一个类，一个用于 tensorflow 计算和表示用的数据流图，通俗来讲就是：在代码中添加的操作（画中的结点）和数据（画中的线条）都是画在纸上的“画”，而图就是呈现这些画的纸，你可以利用很多线程生成很多张图，但是默认图就只有一张。 tf.Grap...

tensorboardX笔记：理解graph

qq_40206371的博客

11-27

866

TensorBoardX中的Graph不同于一般的神经网络结构图，它是一种计算图。图中每个节点要么是Tensor本身，要么是运算符；每一条边要么代表Tensor的流动，要么代表控制关系。这张图完备的表达了通过代码定义的神经网络中所有计算步骤，可以据此说明前向计算、误差反向传播、梯度下降调整参数等过程。在实际工作中，理解了上述含义，就可以将Graph利用起来，在Debug过程中可视化的发现网络计算流程中的问题。复杂程序的调试总是困难的...

tensorboard如何画graph

最新发布

01-15

### 如何在 TensorBoard 中可视化 TensorFlow 计算图为了使 TensorFlow 的计算过程更加透明，TensorBoard 提供了强大的功能来帮助理解复杂的模型架构。通过适当配置，可以在 TensorBoard 中直观地查看整个计算流程。 #### 设置名称空间以优化图表展示效果合理设置操作符的名字和名字范围有助于提高可视化的清晰度。当创建 TensorFlow 节点时，应该考虑使用 `tf.name_scope` 或者 `with graph.as_default()` 来定义逻辑分组[^1]。这样做不仅可以让生成的图形更有条理，而且能够更容易定位到具体的层或模块。例如，在构建一个多层感知机（MLP）的过程中： ```python import tensorflow as tf # 定义输入占位符 inputs = tf.placeholder(tf.float32, shape=[None, input_dim], name='input') # 使用name_scope包裹每一层的操作 with tf.name_scope('hidden_layer'): weights = tf.Variable(tf.random_normal([input_dim, hidden_units]), name="weights") biases = tf.Variable(tf.zeros([hidden_units]), name="biases") layer_output = tf.nn.relu(tf.matmul(inputs, weights) + biases) # 继续添加更多层次... ``` 上述代码片段展示了如何利用 `tf.name_scope` 将隐藏层内的所有变量封装在一起，从而让最终呈现出来的计算图更为整洁有序。 #### 收集 Summary 数据以便于后续分析为了让 TensorBoard 显示更多的内部状态信息，还需要向计算图中加入一些特殊的摘要节点——summaries。这些 summaries 主要是用来记录张量的变化情况，像权重矩阵、偏置向量等重要参数都可以被监控并绘制成直方图形式展现给用户[^4]。以下是关于如何为某些关键组件添加 histogram summary 的例子： ```python # 假设我们已经有了一个名为 'layer_1' 的线性变换层 with tf.variable_scope("layer_1"): W = tf.get_variable("W", initializer=tf.truncated_normal(shape)) b = tf.get_variable("b", initializer=tf.constant(0., shape)) # 创建summary用于跟踪这两个变量的历史变化趋势 weight_summary = tf.summary.histogram("weight_distribution", W) bias_summary = tf.summary.histogram("bias_distribution", b) merged_summaries = tf.summary.merge_all() # 合并所有的summary ``` 一旦完成了以上准备工作之后，只需要运行相应的会话并将结果写入文件系统即可完成数据采集工作。最后一步就是启动 TensorBoard 并指向保存日志的位置，这样就可以在线观察到实时更新后的计算图以及其他有用统计指标了。