這篇文章主要講解了“如何使用tensorboard展示神經(jīng)網(wǎng)絡(luò)的graph”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“如何使用tensorboard展示神經(jīng)網(wǎng)絡(luò)的graph”吧！

專業(yè)從事網(wǎng)站設(shè)計(jì)、成都網(wǎng)站建設(shè),高端網(wǎng)站制作設(shè)計(jì),微信平臺(tái)小程序開發(fā),網(wǎng)站推廣的成都做網(wǎng)站的公司。優(yōu)秀技術(shù)團(tuán)隊(duì)竭力真誠服務(wù)，采用H5響應(yīng)式網(wǎng)站+CSS3前端渲染技術(shù)，響應(yīng)式網(wǎng)站設(shè)計(jì)，讓網(wǎng)站在手機(jī)、平板、PC、微信下都能呈現(xiàn)。建站過程建立專項(xiàng)小組，與您實(shí)時(shí)在線互動(dòng)，隨時(shí)提供解決方案，暢聊想法和感受。

# 創(chuàng)建神經(jīng)網(wǎng)絡(luò)， 使用tensorboard 展示graph
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt  # 若沒有 pip install matplotlib


# 定義一個(gè)神經(jīng)層
def add_layer(inputs, in_size, out_size, activation_function=None):
    #add one more layer and return the output of this layer
    with tf.name_scope('layer'):
        with tf.name_scope('Weights'):
            Weights = tf.Variable(tf.random_normal([in_size, out_size]),name='W')
        with tf.name_scope('biases'):
            biases = tf.Variable(tf.zeros([1, out_size]) + 0.1,name='b')
        with tf.name_scope('Wx_plus_b'):
            Wx_plus_b = tf.matmul(inputs, Weights) + biases
        if activation_function is None:
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b)###
        return outputs

#make up some real data
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]  # x_data值為-1到1之間，有300個(gè)單位（例子），再加一個(gè)維度newaxis，即300行*newaxis列
noise = np.random.normal(0, 0.05, x_data.shape)  # 均值為0.方差為0.05，格式和x_data一樣
y_data = np.square(x_data) - 0.5 + noise

#define placeholder for inputs to network
with tf.name_scope('inputs'):
    xs = tf.placeholder(tf.float32, [None, 1],name='x_input1')  # none表示無論給多少個(gè)例子都行
    ys = tf.placeholder(tf.float32, [None, 1],name='y_input1')

# add hidden layer
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# add output layer
prediction = add_layer(l1, 10, 1, activation_function=None)

#the error between prediction and real data
with tf.name_scope('loss'):
    loss = tf.reduce_mean(
        tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))  # 對(duì)每個(gè)例子進(jìn)行求和并取平均值 reduction_indices=[1]指按行求和

with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  # 以0.1的學(xué)習(xí)效率對(duì)誤差進(jìn)行更正和提升

#兩種初始化的方式
#init = tf.initialize_all_variables()
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
#把整個(gè)框架加載到一個(gè)文件中去，再從文件中加載出來放到瀏覽器中查看
#writer=tf.train.SummaryWriter("logs/",sess.graph)
#首先找到tensorboard.exe的路徑并進(jìn)入c:Anaconda\Scripts,執(zhí)行tensorboard.exe --logdir=代碼生成的圖像的路徑（不能帶中文）
writer=tf.summary.FileWriter("../../logs/",sess.graph)

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()   #show()是一次性的展示，為了使連續(xù)的展示，加入plt.ion()

for i in range(1000):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 50 == 0:
        # to see the step improment 顯示實(shí)際點(diǎn)的數(shù)據(jù)
        # print(sess.run(loss,feed_dict = {xs:x_data,ys:y_data}))
        try:
            # 每次劃線前抹除上一條線,抹除lines的第一條線，由于lines只有一條線，則為lines[0],第一次沒有線
            ax.lines.remove(lines[0])
        except Exception:
            pass
        # 顯示預(yù)測(cè)數(shù)據(jù)
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})

        # 存儲(chǔ) prediction_value 的值
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)  # 用紅色的線畫，且寬度為5

        # 停止0.1秒后再畫下一條線
        plt.pause(0.1)

生成的tensorboard的graph：

感謝各位的閱讀，以上就是“如何使用tensorboard展示神經(jīng)網(wǎng)絡(luò)的graph”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對(duì)如何使用tensorboard展示神經(jīng)網(wǎng)絡(luò)的graph這一問題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！

本文名稱：如何使用tensorboard展示神經(jīng)網(wǎng)絡(luò)的graph
文章轉(zhuǎn)載：http://vcdvsql.cn/article32/podjpc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站導(dǎo)航、網(wǎng)站排名、網(wǎng)站設(shè)計(jì)、動(dòng)態(tài)網(wǎng)站、App設(shè)計(jì)、網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)