莫烦Tensorflow学习代码七（神经网络可视化tensorboard学习）

这个神经网络可视化是在前面的回归问题基础上学习的，可直观地看到数据的流向，整个神经网络的结构，loss函数的下降曲线，和biases和weights等参数的直方图。

给输入设置一个大的框架然后再在palceholder中加入name=‘x_in’,name='y_in’给xs和ys分别命名：

with tf.name_scope('inputs'):
    xs = tf.placeholder(tf.float32,[None,1],name='x_in')
    ys = tf.placeholder(tf.float32,[None,1],name='y_in')

设置add_layer，步骤同前，
例如先设置layer大框架，然后再放分别指定里面的小构建，
拿Weights参数来举例，layer框架中嵌套许多框架，在里面定义一个名为‘weights’的框架，其中有参数Weights叫‘w’。

tensorflow中提供了tf.histogram_summary()方法,用来绘制变化的图片, 第一个参数是图表的名称, 第二个参数是图表要记录的变量，在这里记录Weights变量

    layer_name = 'layer%s' % n_layer#转化为字符串
    with tf.name_scope('layer'):
        with tf.name_scope('weights'):
            Weights = tf.Variable(tf.random_normal([in_size,out_size]),name='W')#用正态分布产生随机数
            tf.summary.histogram(layer_name + '/weights',Weights)
       

结构图

Weights参数图

loss和train构建结构方法相同

但是loss的变化图略有不同

构建结构：

with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(ys - prediction))#loss函数
    tf.summary.scalar('loss',loss)
with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#梯度下降优化器

构建loss变化图，可以帮助我们直观的看出loss在训练过程中的下降趋势，这样一来我们就知道了这个网络的训练效果

with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.square(ys - prediction))#loss函数
    tf.summary.scalar('loss',loss)

合并打包

merged=tf.summary.merge_all()

将已经绘画的图保存到一个目录中

writer = tf.summary.FileWriter("logs/",sess.graph)

训练之后要将合并的结果放入log就需要writer.add_summary()

for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i%50==0:
        result = sess.run(merged,feed_dict={xs:x_data,ys:y_data})
       # print(sess.run(loss,feed_dict={xs:x_data,ys:y_data})
        writer.add_summary(result,i)
        

运行后会产生一个log文件，我是在pycharm中运行的，在terminal输入tensorboard --logdir logs 就会出现一个网址
将网址复制到chrome浏览器中