tensorflow Tensorboard2-【老鱼学tensorflow】
程序员文章站
2022-04-15 16:17:45
前面我们用Tensorboard显示了tensorflow的程序结构,本节主要用Tensorboard显示各个参数值的变化以及损失函数的值的变化。 这里的核心函数有: histogram 例如: 这里用tf.summary.histogram函数来显示二维数据在不同网络层的变化情况,其中第一个参数是 ......
前面我们用Tensorboard显示了tensorflow的程序结构,本节主要用Tensorboard显示各个参数值的变化以及损失函数的值的变化。
这里的核心函数有:
histogram
例如:
tf.summary.histogram(layer_name + "/weights", Weights)
这里用tf.summary.histogram函数来显示二维数据在不同网络层的变化情况,其中第一个参数是名字,可以用/来进行分层显示,第二个参数就是相应变量的值。
scalar
tf.summary.scalar('loss', loss)
用scalar来显示单个值。
尽管是单个值,但因为会在不同的循环下有不同的值,因此还是会有一系列的点组成的曲线,在这里可以查看损失值是否在逐步递减。
这样我们就不需要用matplot来额外地画图了。
merge all & writer
要把所有的summary合并在一起并在适当的时候进行输出:
merged = tf.summary.merge_all() writer = tf.summary.FileWriter("E:/todel/data/tensorflow", sess.graph)
最后在训练循环中进行输出:
result = sess.run(merged, feed_dict={xs:x_data, ys:y_data}) writer.add_summary(result, i)
完整的代码
import tensorflow as tf import matplotlib.pyplot as plt def add_layer(inputs, in_size, out_size, n_layer, activation_function=None): """ 添加层 :param inputs: 输入数据 :param in_size: 输入数据的列数 :param out_size: 输出数据的列数 :param activation_function: 激励函数 :return: """ layer_name = 'layer%s' % n_layer # 定义权重,初始时使用随机变量,可以简单理解为在进行梯度下降时的随机初始点,这个随机初始点要比0值好,因为如果是0值的话,反复计算就一直是固定在0中,导致可能下降不到其它位置去。 Weights = tf.Variable(tf.random_normal([in_size, out_size])) tf.summary.histogram(layer_name + "/weights", Weights) # 偏置shape为1行out_size列 biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) tf.summary.histogram(layer_name + "/biases", biases) # 建立神经网络线性公式:inputs * Weights + biases,我们大脑中的神经元的传递基本上也是类似这样的线性公式,这里的权重就是每个神经元传递某信号的强弱系数,偏置值是指这个神经元的原先所拥有的电位高低值 Wx_plus_b = tf.matmul(inputs, Weights) + biases if activation_function is None: # 如果没有设置激活函数,则直接就把当前信号原封不动地传递出去 outputs = Wx_plus_b else: # 如果设置了激活函数,则会由此激活函数来对信号进行传递或抑制 outputs = activation_function(Wx_plus_b) tf.summary.histogram(layer_name + "/outputs", outputs) return outputs import numpy as np # 创建一列(相当于只有一个属性值),300行的x值,这里np.newaxis用于新建出列数据,使其shape为(300, 1) x_data = np.linspace(-1, 1, 300)[:,np.newaxis] # 增加噪点,噪点的均值为0,标准差为0.05,形状跟x_data一样 noise = np.random.normal(0, 0.05, x_data.shape) # 定义y的函数为二次曲线的函数,但同时增加了一些噪点数据 y_data = np.square(x_data) - 0.5 + noise # 定义输入值,这里定义输入值的目的是为了能够使程序比较灵活,可以在神经网络启动时接收不同的实际输入值,这里输入的结构为输入的行数不国定,但列就是1列的值 xs = tf.placeholder(tf.float32, [None, 1], name='x_input') ys = tf.placeholder(tf.float32, [None, 1], name='y_input') # 定义一个隐藏层,输入为xs,输入size为1列,因为x_data就只有1个属性值,输出size我们假定输出的神经元有10个神经元的隐藏层,激励函数用relu l1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu) # 定义输出层,输入为l1,输入size为10列,也就是l1的列数,输出size为1,因为这里直接输出为类似y_data了,因此为1列,假定没有激励函数,也就是输出是啥就直接传递出去了。 predition = add_layer(l1, 10, 1, n_layer=2, activation_function=None) # 定义损失函数为差值平方和的平均值 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - predition), axis=1)) tf.summary.scalar('loss', loss) # 进行逐步优化的梯度下降优化器,学习效率为0.1,以最小化损失函数的方式进行优化 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 初始化所有定义的变量 init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) merged = tf.summary.merge_all() writer = tf.summary.FileWriter("E:/todel/data/tensorflow", sess.graph) # 学习1000次 for i in range(1000): sess.run(train_step, feed_dict={xs:x_data, ys:y_data}) # 打印期间的误差值,看这个误差值是否在减少 if i % 50 == 0: result = sess.run(merged, feed_dict={xs:x_data, ys:y_data}) writer.add_summary(result, i)
最后在相应的目录下输入如下的命令显示Tensorboard中的图形:
tensorboard --logdir tensorflow
显示的图形为:
推荐阅读
-
tensorflow Tensorboard可视化-【老鱼学tensorflow】
-
tensorflow卷积神经网络-【老鱼学tensorflow】
-
keras安装-【老鱼学keras】
-
tensorflow Tensorboard2-【老鱼学tensorflow】
-
tensorflow分类-【老鱼学tensorflow】
-
tensorflow用dropout解决over fitting-【老鱼学tensorflow】
-
tensorflow激励函数-【老鱼学tensorflow】
-
tensorflow结果可视化-【老鱼学tensorflow】
-
tensorflow添加层-【老鱼学tensorflow】
-
tensorflow RNN循环神经网络 (分类例子)-【老鱼学tensorflow】