Tensorflow06-可视化

1.pyplot

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# 添加神经层的函数def add_layer(inputs,in_size,out_size,activation_function=None):# None means linear    Weights=tf.Variable(tf.random_normal([in_size,out_size]))# in_size行，out_size列的矩阵    biases=tf.Variable(tf.zeros([1,out_size])+0.1)# 向量，初始值最好不为0    Wx_plus_b=tf.matmul(inputs,Weights)+biases#矩阵乘法加上偏移就是预测值    if activation_function is None:        outputs=Wx_plus_b    else:        outputs=activation_function(Wx_plus_b)    return outputs    x_data=np.linspace(-1,1,300)[:,np.newaxis] # -1~1之间300个单位，并指定维度noise=np.random.normal(0,0.05,x_data.shape) # 噪点，均值0,方差0.05，与x_data一样的格式y_data=np.square(x_data)-0.5+noise# 给train_step的值，数据只有1个，可以给任意个例子xs=tf.placeholder(tf.float32,[None,1])ys=tf.placeholder(tf.float32,[None,1])# 输入层输入多少个data就有多少神经元、隐藏层假设10个神经元、，输出层输出多少个data就有多少神经元# 隐藏层l1=add_layer(xs,1,10,activation_function=tf.nn.relu) # 输入数据为x_data、输入一个数据、输出10个数据（隐藏层有10个神经元）# 输出层prediction=add_layer(l1, 10, 1, activation_function=None) # 线性函数# 预测之前，计算预测值与真实值的差别loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) # 实际算出的是每个例子的平方，需要求和，再求出平均值# 训练，提升误差，选择了一个最常用的Optimizer，需要指定学习效率，一般小于1，Optimizer用于减小误差train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 初始化所有变量init=tf.initialize_all_variables()# 定义sessionsess=tf.Session()# 开始运算sess.run(init)# 可视化fig=plt.figure() # 生成一个图片框ax=fig.add_subplot(1,1,1) # 编号ax.scatter(x_data,y_data) # 以点的形式显示在图片上plt.ion() # 需要指定不终止程序plt.show() # 本会将整个程序暂停，画出# 学习重复1000次for i in range(1000):    sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) # 这样传入可以只传入一部分数据，小步骤训练可以提升效率=，这里假设用全部的数据来提升运算    if i % 50==0:        #print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))#         lines=[]        try:            # 每次要先抹除之前的线            ax.lines.remove(lines[0])        except Exception:            pass        prediction_vlaue=sess.run(prediction,feed_dict={xs:x_data})        lines=ax.plot(x_data,prediction_vlaue,'r-',lw=5) # 以曲线的形式画出，红色-线，宽度为5        plt.pause(0.1) # 每次暂停0.1秒

2.tensorboard

import tensorflow as tfimport numpy as np# 添加神经层的函数def add_layer(inputs,in_size,out_size,name_layer,activation_function=None):# None means linear    layer_name='layer%s'%name_layer    with tf.name_scope(layer_name): # 大的框架        with tf.name_scope('weights'): # 小的部件            Weights=tf.Variable(tf.random_normal([in_size,out_size]),name='W')# in_size行，out_size列的矩阵            tf.summary.histogram(' ',Weights) # 想要用histogram查看的变量下加这句        with tf.name_scope('biases'): # 小的部件            biases=tf.Variable(tf.zeros([1,out_size])+0.1,name='b')# 向量，初始值最好不为0            tf.summary.histogram(' ',biases)        with tf.name_scope('Wx_plus_b'): # 小的部件            Wx_plus_b=tf.matmul(inputs,Weights)+biases#矩阵乘法加上偏移就是预测值        if activation_function is None:            outputs=Wx_plus_b        else:            outputs=activation_function(Wx_plus_b)            tf.summary.histogram('/outputs',outputs)        return outputs    x_data=np.linspace(-1,1,300)[:,np.newaxis] # -1~1之间300个单位，并指定维度noise=np.random.normal(0,0.05,x_data.shape) # 噪点，均值0,方差0.05，与x_data一样的格式y_data=np.square(x_data)-0.5+noise# 给train_step的值，数据只有1个，可以给任意个例子with tf.name_scope('inputs'): # 名字的象征，包含了x_input和y_input    xs=tf.placeholder(tf.float32,[None,1],name='x_input') # 值的名字    ys=tf.placeholder(tf.float32,[None,1],name='y_input')# 输入层输入多少个data就有多少神经元、隐藏层假设10个神经元、，输出层输出多少个data就有多少神经元# 每加一个图层都会加一个框架# 隐藏层l1=add_layer(xs,1,10,name_layer=1,activation_function=tf.nn.relu) # 输入数据为x_data、输入一个数据、输出10个数据（隐藏层有10个神经元）# 输出层prediction=add_layer(l1, 10, 1, name_layer=2,activation_function=None) # 线性函数# 预测之前，计算预测值与真实值的差别with tf.name_scope('loss'):    loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) # 实际算出的是每个例子的平方，需要求和，再求出平均值    tf.summary.scalar('loss',loss) # 用scalar查看loss，如果loss在减小说明神经网络学到了东西with tf.name_scope('train'):# 训练，提升误差，选择了一个最常用的Optimizer，需要指定学习效率，一般小于1，Optimizer用于减小误差    train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 定义sessionsess=tf.Session()# 将所有的summary打包放到一起merge=tf.summary.merge_all()# 将整个框架加载到一个文件中writer=tf.summary.FileWriter("logs/",sess.graph)# 开始运算sess.run(tf.initialize_all_variables())# 学习重复1000次for i in range(1000):    sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) # 这样传入可以只传入一部分数据，小步骤训练可以提升效率=，这里假设用全部的数据来提升运算    if i%50==0:        result=sess.run(merge,feed_dict={xs:x_data,ys:y_data})        writer.add_summary(result,i) # 每隔50步记一个点    

在logs文件夹中会出现events.....文件，这些文件就记录了可视化的内容