使用TensorBoard进行数据可视化
来源:互联网 发布:分区软件找不到硬盘 编辑:程序博客网 时间:2024/05/22 15:46
使用TensorBoard进行数据可视化
除了python的matplotlib这个数据图像化的包,我们还可以使用Tensorflow自带的TensorBoard来将数据进行可视化,实现的代码如下
import tensorflow as tfimport numpy as npdef add_layer(inputs, in_size, out_size, n_layer, activation_function=None): layer_name = 'layer%s' % n_layer with tf.name_scope("layer"): with tf.name_scope("weight"): Weights = tf.Variable(tf.random_normal([in_size,out_size]),name="W") tf.summary.histogram(layer_name+'/Weights',Weights) with tf.name_scope("biases"): biases = tf.Variable(tf.zeros([1, out_size])+0.1,name="b") tf.summary.histogram(layer_name+'/biases',biases) with tf.name_scope("Wx_plus_b"): Wx_plus_b = tf.matmul(inputs, Weights)+biases if activation_function == None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) tf.summary.histogram(layer_name+'/outputs',outputs) return outputsx_data = np.linspace(-1,1,300)[:,np.newaxis]noise = np.random.normal(0,0.05,x_data.shape)y_data = np.square(x_data) - 0.5 + noisewith tf.name_scope("inputs"): xs = tf.placeholder(tf.float32,[None,1],name="x_input") ys = tf.placeholder(tf.float32,[None,1],name="y_input")l1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)prediction = add_layer(l1, 10, 1, n_layer=2, activation_function=None) with tf.name_scope("loss"): loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]),name="loss") tf.summary.scalar('loss',loss)with tf.name_scope("train"): train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)init = tf.global_variables_initializer()sess = tf.Session()merged = tf.summary.merge_all()writer = tf.summary.FileWriter("logs/",sess.graph)sess.run(init)for i in range(1000): sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) if i%50==0: result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) writer.add_summary(result,i)
代码进行保存以及运行之后,将会在指定文件夹中看到保存的文件,这是我们需要在终端中运行下面的命令,然后将网址复制到浏览器即可打开
$ tensorboard --logdir='logs/' #'logs'是指保存的文件所在的文件夹
注:
1.
tf.name_scope("name")
该函数中的name是指GRAPHS中的
以及每个神经网络的节点打开后里面的各种量的名字
这是部分节点点开后的样子
这是所有节点点开后的样子
2.
tf.summary.histogram(layer_name+'name',name)
该函数是用来绘制histogram中图可视化绘图
3.
tf.summary.scalar('name',name)
该函数主要适用于损失函数在scalar的可视化绘图
4.
tf.summary.FileWriter("logs/",sess.graph)
该函数是将TensorBoard文件保存到指定路径,例如”logs/”即是指路径,正常运行后将会在logs文件夹下产生一个文件
5.
tf.summary.merge_all()
该函数是将所有summary文件合并到同一个文件里并在下一步的tf.summary.FileWriter(“logs/”,sess.graph)进行保存
6.
add_summary(result,i)
该函数是将result这个数据加入到writer = tf.summary.FileWriter(“logs/”,sess.graph)这个函数的write中去,其中i是指步数,例如本函数中就是50布记录一个点
7.运行应该在ipython中运行,如果在jupyter中运行可能会产生报错
阅读全文
0 0
- 使用TensorBoard进行数据可视化
- 87、使用TensorBoard进行可视化学习
- tensorflow使用tensorboard实现数据可视化
- 【tensorflow学习】使用tensorboard实现数据可视化
- TensorBoard数据可视化
- tensorboard可视化使用
- tensorboard可视化高级使用
- 如何启动tensorboard进行可视化
- Tensorflow可视化----Tensorboard的使用
- windows下使用tensorboard可视化
- 88、使用tensorboard进行可视化学习,查看具体使用时间,训练轮数,使用内存大小
- tensorboard可视化
- tensorflow中使用tensorboard可视化结果
- Tensorflow可视化---使用Tensorboard查看网络结构
- [TensorFlow]使用Tensorboard实现神经网络可视化
- 从零开始使用TensorFlow可视化工具Tensorboard
- 使用D3.js进行数据可视化
- 06:Tensorflow的可视化工具Tensorboard的初步使用
- HDU 3001 traveling
- java 练习
- K-均值对地图上的点进行聚类(2)
- 通过.NET客户端调用Web API(C#)
- JAVA
- 使用TensorBoard进行数据可视化
- 习题3 3.4
- 矩阵快速幂
- 史上最全面的CentOS 7 之 mysql安装
- hiho一下 第175周
- 在Eclipse开发环境下搭建Hadoop2.6.0
- 课堂作业
- Scrapy学习笔记1-安装环境
- spring事务传播与隔离级别