Tensorboard的使用

1、添加命名空间

在之前的程序的基础上添加命名空间，这样就可以把一些操作打包在一起了，更加有利于我们的可视化（使结构图更加的简洁）

命名空间的语法：

with tf.name_scope('name') #name为我们给这个空间取的名字

记得给变量取变量名：

x = tf.placeholder(tf.float32, [None, 784]）

x = tf.placeholder(tf.float32, [None, 784], name='x_input')

# 命名空间
with tf.name_scope('input'):
    # 定义两个placeholder
    x = tf.placeholder(tf.float32, [None, 784], name='x_input')
    y = tf.placeholder(tf.float32, [None, 10], name='y_input')

2、将得到的数据写入一个文件当中

第三行中，我们写了一个函数，用于将数据写入到指定的路径下。

with tf.Session() as sess:sess.run(init)writer = tf.summary.FileWriter('logs/', sess.graph)  # 参数一为路劲，参数二为存放的结构

3、复制刚刚生成的文件的路劲

找到上一步（第二步）生成的文件，并复制该路劲

4、获取tensorboard的网址

打开命令行，输入如下代码

复制最后一行的IP地址到浏览器中打开，就可以得到可视化的tensorboard了。

注意：

在使用tensorboard的过程中，不可以将命令行的窗口给关了，或者结束操作，否则会出现下面的情况——无法访问此网站（路径要用全英文的，不然又可能加载不到数据）

1、程序完整结构：

图中：05/logs/events.out.tfevents.1524285137.ZL-WSJUN 为生成的文件

图中：05/MINIST_data/tensorboard的使用为代码文件

2、完整的代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data# 载入数据集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)# 每个批次的大小
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size# 命名空间
with tf.name_scope('input'):# 定义两个placeholder
    x = tf.placeholder(tf.float32, [None, 784], name='x_input')y = tf.placeholder(tf.float32, [None, 10], name='y_input')# 创建一个简单的神经网络
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W) + b)# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)# 初始化变量
init = tf.global_variables_initializer()# 结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))  # argmax返回一维张量中最大的值所在的位置
# 求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))with tf.Session() as sess:sess.run(init)writer = tf.summary.FileWriter('logs/', sess.graph)  # 第一个参数为路劲，第二个参数为存放的结构
    for epoch in range(1):for batch in range(n_batch):batch_xs, batch_ys = mnist.train.next_batch(batch_size)sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))

03-Tensorboard的使用 (老衲又卷土重来了！！！)相关推荐

官场直升机鸿蒙笔著,担当：老衲笔尖无墨水，要从空处想鸿蒙
高清:3800幅古代绘画图库,1200幅齐白石作品图库,27G历代经典书法套装,4100幅西方大师经典油画,临摹学习绝佳素材! 1638年 (明崇祯十一年戊寅46岁) 八月,徐霞客游滇.因陈眉公之介 ...
官场直升机鸿蒙笔著,担当和尚：老衲笔尖无墨水，要从空处想鸿蒙
原标题:担当和尚:老衲笔尖无墨水,要从空处想鸿蒙 ▼ 1638年 (明崇祯十一年戊寅46岁) 八月,徐霞客游滇.因陈眉公之介绍,至晋宁访担当.二人一见如故,十分契合.霞客在晋宁盘桓20天,并请担当为 ...
“老衲印象”开发团队章程
"老衲印象"开发团队章程 (2014年10月修订) (一) 团队开发每周六晚9点召开小组讨论例会,地点在紫荆1号楼315中厅.讨论会主要总结一周以来的课程内容和项目进度,讨论开 ...
记录一下：老衲的py路程 mac下的tkinter小应用
今天的主题 tkinter应用,参考运行结果效果图上代码 import tkinter import tkinter.messagebox import tkinter.ttk listboxStu ...
师太，你就从了老衲吧
师太,你就从了老衲吧(完整版本)(转载) 一.普通版: 编辑跟某武侠作者约稿,要写一篇既打破世俗伦理,又包含江湖门派间多年怨情仇,同时情节还要扣人心悬,大有血雨腥风呼之欲来这样的微型武侠小说. 第二天 ...
师太你就从了老衲吧——完整版本
相当之有文采,哈哈[@more@] 一.普通版: 编辑跟某武侠作者约稿,要写一篇既打破世俗伦理,又包含江湖门派间多年怨情仇,同时情节还要扣人心悬,大有血雨腥风呼之欲来这样的微型武侠小说. 第二天交工, ...
谈谈老衲对闭包的理解!!综合了我在网上看的资料,把我的理解跟大家分享
1.第一点要讲的毋容置疑就是(什么事闭包了!!) 当一个函数有权访问另一个函数内部的变量是,就形成了闭包,举个'栗子' function a(){ var i; function b(){ i++ ...
Problem-A 老衲的嘱托
这道题很简单,该怎么做,题目已经告诉我们了! 解题思路:考的就是一个DFS的应用,然后在进行一个选择判断就行了! 由于时间的关系,为了避免超时,可以优化进行剪枝一下!就是在找到了我们所需要的答案后,就 ...
天朝网络已将老衲搞哭在电脑前
博客园第一篇随笔,原来在Blogspot写了段时间,最近我天朝万里长城升级, 我等小鸟已被压榨待尽. 2015年,新的一年,我换了新的博客,换了新的学习方向,不在整天钻研着路由器交换机, 不在分析各种 ...

03-Tensorboard的使用 (老衲又卷土重来了！！！)