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。
※走出並行計算的誤區,你應該在什麼時候用它?
※深度神經網路中的對抗樣本與學習
※如何用 TensorFlow 實現基於 LSTM 的文本分類
※看了這篇再決定要不要學TensorFlow
※什麼才算是真正的數據科學家?你算么?
TAG:唯物 |
※HiddenLayer:可視化PyTorch、TensorFlow神經網路圖的輕量級工具!
※資源 | HiddenLayer:可視化PyTorch、TensorFlow神經網路圖的輕量級工具!
※Windows最強維護工具,徹底關閉Windows Defender和自動更新
※Tokenvator:使用Windows Token提升許可權的工具
※使用新的開源工具將您自己的Linux帶入Windows
※Linux也可暢玩Windows遊戲!Steam新兼容工具好評!
※Adobe推出更易用的視頻工具Project Rush
※微軟開源工具Light Capture為HoloLens帶來更自然的照明效果
※PowerGhost:集PowerShell和EternalBlue於一身的多功能挖礦工具
※Docker容器和數據可視化管理工具Flocker
※electron-toolKit:構建和啟動Electron應用的工具包
※如何使用Giveaways工具讓你的Facebook快速漲粉?
※玩轉自動化工具Workflow
※Linux和Mac都可以玩windows遊戲了!Steam跨平台兼容工具免費內測
※自我過濾-我們失落的工具·Self-Filtering-Our Lost Tool
※Adobe推出更易用的視頻剪輯工具Project Rush
※TensorFlow新工具 AutoGraph
※微軟將 Windows Defender 防病毒工具移植到 macOS 平台
※Facebook和Instagram推出防沉迷工具
※微軟買下性能分析工具Windows Performance Analyzer