建站
咨詢(xún)
售后
建站咨詢(xún)
新聞中心
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(lái)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(zhuān)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(kāi)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(chéng)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(guò)程建立專(zhuān)項(xiàng)小組，與您實(shí)時(shí)在線(xiàn)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(méi)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(wú)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?gòu)奈募屑虞d出來(lái)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(xiàn)前抹除上一條線(xiàn),抹除lines的第一條線(xiàn)，由于lines只有一條線(xiàn)，則為lines[0],第一次沒(méi)有線(xiàn)
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(xiàn)畫(huà)，且寬度為5
# 停止0.1秒后再畫(huà)下一條線(xiàn)
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(guò)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(wèn)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！
分享名稱(chēng)：如何使用tensorboard展示神經(jīng)網(wǎng)絡(luò)的graph
轉(zhuǎn)載注明：http://ef60e0e.cn/article/podjpc.html
