玩過TensorFlow自帶的的可視化工具么？

AI 研習社按：本文作者Jerry，原文載於作者個人博客，獲授權。

TensorBoard

如何更直觀的觀察數據在神經網路中的變化，或是已經構建的神經網路的結構。上一篇文章說到，可以使用 matplotlib 第三方可視化，來進行一定程度上的可視化。然而Tensorflow也自帶了可視化模塊Tensorboard，並且能更直觀的看見整個神經網路的結構。

上面的結構圖甚至可以展開，變成：

使用

結構圖：

with tensorflow .name_scope(layer_name):

直接使用以上代碼生成一個帶可展開符號的一個域，並且支持嵌套操作：

with tf.name_scope(layer_name):

with tf.name_scope( weights ):

節點一般是變數或常量，需要加一個「name=『』」參數，才會展示和命名，如：

with tf.name_scope( weights ):

Weights = tf.Variable(tf.random_normal([in_size,out_size]))

結構圖符號及意義：

變數：

變數則可使用Tensorflow.histogram_summary()方法：

tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights賦值

常量：

常量則可使用Tensorflow.scalar_summary()方法：

tf.scalar_summary( loss ,loss) #命名和賦值

展示：

最後需要整合和存儲SummaryWriter：

#合并到Summary中

merged = tf.merge_all_summaries()

#選定可視化存儲目錄

writer = tf.train.SummaryWriter("/目錄",sess.graph)

merged也是需要run的，因此還需要：

result = sess.run(merged) #merged也是需要run的

writer.add_summary(result,i)

執行：

運行後，會在相應的目錄里生成一個文件，執行：

tensorboard --logdir="/目錄"

會給出一段網址：

瀏覽器中打開這個網址即可，因為有兼容問題，firefox並不能很好的兼容，建議使用Chrome。

常量在Event中，結構圖在Graphs中，變數在最後兩個Tag中。

附項目代碼：

import tensorflow as tf

import numpy as np

def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None線性函數

layer_name="layer%s" % n_layer

with tf.name_scope(layer_name):

with tf.name_scope( weights ):

Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是隨機變數

tf.histogram_summary(layer_name+"/weights",Weights) #可視化觀看變數

with tf.name_scope( biases ):

biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推薦初始值不為0

tf.histogram_summary(layer_name+"/biases",biases) #可視化觀看變數

with tf.name_scope( Wx_plus_b ):

Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases

tf.histogram_summary(layer_name+"/Wx_plus_b",Wx_plus_b) #可視化觀看變數

if activation_function is None:

outputs = Wx_plus_b

else:

outputs = activation_function(Wx_plus_b)

tf.histogram_summary(layer_name+"/outputs",outputs) #可視化觀看變數

return outputs

#創建數據x_data，y_data

x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]區間，300個單位，np.newaxis增加維度

y_data = np.square(x_data)-0.5+noise

with tf.name_scope( inputs ): #結構化

xs = tf.placeholder(tf.float32,[None,1],name= x_input )

ys = tf.placeholder(tf.float32,[None,1],name= y_input )

#三層神經，輸入層（1個神經元），隱藏層（10神經元），輸出層（1個神經元）

prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #輸出層

#predition值與y_data差別

with tf.name_scope( loss ):

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值

tf.scalar_summary( loss ,loss) #可視化觀看常量

with tf.name_scope( train ):

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1學習效率,minimize(loss)減小loss誤差

init = tf.initialize_all_variables()

sess = tf.Session()

#合并到Summary中

merged = tf.merge_all_summaries()

#選定可視化存儲目錄

writer = tf.train.SummaryWriter("Desktop/",sess.graph)

sess.run(init) #先執行init

#訓練1k次

for i in range(1000):

sess.run(train_step,feed_dict=)

if i%50==0:

result = sess.run(merged,feed_dict=) #merged也是需要run的

writer.add_summary(result,i) #result是summary類型的，需要放入writer中，i步數（x軸）

TensorBoard 的用法就到這裡，想要系統學習 TensorFlow 的童鞋請看下面。

?

「TensorFlow & 神經網路演算法高級應用班」要開課啦！

從初級到高級，理論+實戰，一站式深度了解 TensorFlow！

本課程面向深度學習開發者，講授如何利用 TensorFlow 解決圖像識別、文本分析等具體問題。課程跨度為 10 周，將從 TensorFlow 的原理與基礎實戰技巧開始，一步步教授學員如何在 TensorFlow 上搭建 CNN、自編碼、RNN、GAN 等模型，並最終掌握一整套基於 TensorFlow 做深度學習開發的專業技能。

兩名授課老師佟達、白髮川身為 ThoughtWorks 的資深技術專家，具有豐富的大數據平台搭建、深度學習系統開發項目經驗。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！