tensorflow可视化工具Tensorboard的安装及使用

叁歲伎倆 2022-04-13 06:13 226阅读 0赞

# 1. 介绍 #

TensorBoard是TensorFlow下的一个可视化的工具，能在训练大规模神经网络时将复杂的运算过程可视化。TensorBoard能展示你训练过程中绘制的图像、网络结构等。

# 2. 安装 #

Anaconda Prompt下输入

1.  激活tensorflow环境
2.  安装 tensorboard 包

activate tensorflow   # 具体取决个人命名
    pip install tensorboard

![在这里插入图片描述][20181127210311481.png]  
本人tensorflow环境命名是python35

# 3. 使用 #

3.1. 程序运行 run，编译执行产生log 文件  
3.2. 找到日志文件log  
![2][]  
3.3. 在tensorflow环境下cd 到 log文件的上一级目录  
3.4. 输入`tensorboard --logdir=logs`  
3.5. 复制最后一行IP地址到浏览器打开可见  
![3-4-5][]![结果][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dKX01laU1laQ_size_16_color_FFFFFF_t_70]

## 测试程序 ##

#!/usr/bin/env python
    # _*_ coding: utf-8 _*_
    
    import tensorflow as tf
    import numpy as np
    import matplotlib.pyplot as plt
    
    
    # 创建一个神经网络层
    def add_layer(input, in_size, out_size, activation_function=None):
        """
        :param input:
            神经网络层的输入
        :param in_zize:
            输入数据的大小
        :param out_size:
            输出数据的大小
        :param activation_function:
            神经网络激活函数，默认没有
        """
        with tf.name_scope('layer'):
            with tf.name_scope('weights'):
                # 定义神经网络的初始化权重
                Weights = tf.Variable(tf.random_normal([in_size, out_size]))
            with tf.name_scope('biases'):
                # 定义神经网络的偏置
                biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
            with tf.name_scope('W_mul_x_plus_b'):
                # 计算w*x+b
                W_mul_x_plus_b = tf.matmul(input, Weights) + biases
            # 根据是否有激活函数进行处理
            if activation_function is None:
                output = W_mul_x_plus_b
            else:
                output = activation_function(W_mul_x_plus_b)
    
            return output
    
    
    # 创建一个具有输入层、隐藏层、输出层的三层神经网络，神经元个数分别为1,10,1
    # 创建只有一个特征的输入数据，数据数目为300，输入层
    x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
    # 创建数据中的噪声
    noise = np.random.normal(0, 0.05, x_data.shape)
    # 创建输入数据对应的输出
    y_data = np.square(x_data) + 1 + noise
    
    with tf.name_scope('input'):
        # 定义输入数据，None是样本数目，表示多少输入数据都行，1是输入数据的特征数目
        xs = tf.placeholder(tf.float32, [None, 1], name='x_input')
        # 定义输出数据，与xs同理
        ys = tf.placeholder(tf.float32, [None, 1], name='y_input')
    
    # 定义一个隐藏层
    hidden_layer = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
    # 定义输出层
    prediction = add_layer(hidden_layer, 10, 1, activation_function=None)
    
    # 求解神经网络参数
    
    # 定义损失函数
    with tf.name_scope('loss'):
        loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))
    # 定义训练过程
    with tf.name_scope('train'):
        train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    # 变量初始化
    init = tf.global_variables_initializer()
    # 定义Session
    sess = tf.Session()
    # 将网络结构图写到文件中
    writer = tf.summary.FileWriter('logs/', sess.graph)
    # 执行初始化工作
    sess.run(init)
    
    # 绘制求解的曲线
    fig = plt.figure()
    ax = fig.add_subplot(1, 1, 1)
    ax.scatter(x_data, y_data)
    plt.ion()
    plt.show()
    
    # 进行训练
    for i in range(1000):
        # 执行训练，并传入数据
        sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
        if i % 100 == 0:
            try:
                ax.lines.remove(lines[0])
            except Exception:
                pass
    
            # print sess.run(loss, feed_dict = {xs: x_data, ys: y_data})
            # 计算预测值
            prediction_value = sess.run(prediction, feed_dict={xs: x_data})
            # 绘制预测值
            lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
            plt.pause(0.1)
    # 关闭Session
    sess.close()

[20181127210311481.png]: /images/20220413/bc89e4ee1f21440e9fc2f4f6dc34c96c.png
[2]: /images/20220413/83f90a88e09347048e64ef2b179e2180.png
[3-4-5]: https://img-blog.csdnimg.cn/20181127205400807.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dKX01laU1laQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dKX01laU1laQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20181127205608147.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dKX01laU1laQ==,size_16,color_FFFFFF,t_70