03-Tensorboard的使用 (老衲又卷土重来了！！！)

Tensorboard的使用

1、添加命名空间

在之前的程序的基础上添加命名空间，这样就可以把一些操作打包在一起了，更加有利于我们的可视化（使结构图更加的简洁）

命名空间的语法：

with tf.name_scope('name')  #name为我们给这个空间取的名字

记得给变量取变量名：

x = tf.placeholder(tf.float32, [None, 784]）

x = tf.placeholder(tf.float32, [None, 784], name='x_input')

# 命名空间
with tf.name_scope('input'):
    # 定义两个placeholder
    x = tf.placeholder(tf.float32, [None, 784], name='x_input')
    y = tf.placeholder(tf.float32, [None, 10], name='y_input')

 

2、将得到的数据写入一个文件当中

第三行中，我们写了一个函数，用于将数据写入到指定的路径下。

with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter('logs/', sess.graph)  # 参数一为路劲，参数二为存放的结构

 

3、复制刚刚生成的文件的路劲

找到上一步（第二步）生成的文件，并复制该路劲

 

4、获取tensorboard的网址

打开命令行，输入如下代码

 

复制最后一行的IP地址到浏览器中打开，就可以得到可视化的tensorboard了。

 

 

注意：

在使用tensorboard的过程中，不可以将命令行的窗口给关了，或者结束操作，否则会出现下面的情况——无法访问此网站（路径要用全英文的，不然又可能加载不到数据）

1、程序完整结构：

图中：05/logs/events.out.tfevents.1524285137.ZL-WSJUN 为 生成的文件

图中：05/MINIST_data/tensorboard的使用 为代码文件

2、完整的代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 载入数据集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

# 每个批次的大小
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

# 命名空间
with tf.name_scope('input'):
    # 定义两个placeholder
    x = tf.placeholder(tf.float32, [None, 784], name='x_input')
    y = tf.placeholder(tf.float32, [None, 10], name='y_input')

# 创建一个简单的神经网络
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W) + b)

# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 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()

# 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))  # argmax返回一维张量中最大的值所在的位置
# 求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter('logs/', sess.graph)  # 第一个参数为路劲，第二个参数为存放的结构
    for epoch in range(1):
        for batch in range(n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})

        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))