如何使用tensorboard展示神经网络的图

这篇文章主要讲解了“如何使用tensorboard展示神经网络的图”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习”如何使用tensorboard展示神经网络的图”吧!

 #,创建神经网络,,使用tensorboard 展示图
　　import  tensorflow  as  tf
　　import  numpy  as  np
　　import  matplotlib.pyplot  as  plt , #,若没有,pip  install  matplotlib
　　
　　
　　#,定义一个神经层
　　def  add_layer (in_size,输入,还以为,out_size, activation_function=None):
　　,,,# add  one  more  layer 以及return 从而output  of 却;能够层
　　,,,with  tf.name_scope(& # 39;层# 39;):
　　,,,,,,,with  tf.name_scope(& # 39;重量# 39;):
　　,,,,,,,,,,,Weights =, tf.Variable (tf.random_normal ([out_size in_size也])、name=& # 39; w # 39;)
　　,,,,,,,with  tf.name_scope(& # 39;偏见# 39;):
　　,,,,,,,,,,,biases =, tf.Variable (tf.zeros ([1, out_size]), +, 0.1, name=& # 39; b # 39;)
　　,,,,,,,with  tf.name_scope (& # 39; Wx_plus_b& # 39;):
　　,,,,,,,,,,,Wx_plus_b =, tf.matmul(输入,,权重),+,偏见
　　,,,,,,,if  activation_function  is 没有:
　　,,,,,,,,,,,outputs =Wx_plus_b
　　,,,,,,,其他的:
　　,,,,,,,,,,,outputs =, activation_function (Wx_plus_b) # # #
　　,,,,,,,return 输出
　　
　　# make  up  some  real 数据
　　时间=x_data  np.linspace (1,, 1,, 300) (:,, np.newaxis],, #, x_data值为1到1之间,有300个单位(例子),再加一个维度newaxis,即300行* newaxis列
　　时间=noise  np.random.normal (0.05 0,,,, x_data.shape),, #,均值为0。方差为0.05,格式和x_data一样
　　时间=y_data  np.square (x_data),安康;0.5,+,噪音
　　
　　# define  placeholder  for  inputs 用网络
　　with  tf.name_scope(& # 39;输入# 39;):
　　,,,xs =, tf.placeholder (tf.float32,,没有,,1,name=& # 39; x_input1& # 39;),, #,没有表示无论给多少个例子都行
　　,,,ys =, tf.placeholder (tf.float32,,没有,,1,name=& # 39; y_input1& # 39;)
　　
　　#,add  hidden 层
　　时间=l1  add_layer (x,, 1,,,, activation_function=tf.nn.relu)
　　#,add  output 层
　　时间=prediction  add_layer (l1,,,, 1,, activation_function=没有)
　　
　　#,error 结构;prediction 以及real 数据
　　with  tf.name_scope(& # 39;损失# 39;):
　　,,,loss =, tf.reduce_mean (
　　,,,,,,,tf.reduce_sum (tf.square (ys 安康;预测),reduction_indices=[1])),, #,对每个例子进行求和并取平均值,reduction_indices=[1]指按行求和
　　
　　with  tf.name_scope(& # 39;火车# 39;):
　　,,,train_step =, tf.train.GradientDescentOptimizer (0.1) .minimize(损失),,#,以0.1的学习效率对误差进行更正和提升
　　
　　#两种初始化的方式
　　# init =, tf.initialize_all_variables ()
　　时间=init  tf.global_variables_initializer ()
　　时间=sess  tf.Session ()
　　sess.run (init)
　　#把整个框架加载到一个文件中去,再从文件中加载出来放到浏览器中查看
　　#作家=tf.train.SummaryWriter(“/叭罩?sess.graph)
　　#首先找到tensorboard.exe的路径并进入c:蟒蛇\脚本,执行tensorboard.exe ——logdir=代码生成的图像的路径(不能带中文)
　　作家=tf.summary.FileWriter(“. ./. ./日志/?sess.graph)
　　
　　时间=fig  plt.figure ()
　　时间=ax  fig.add_subplot (1, 1, 1)
　　ax.scatter (x_data, y_data)
　　plt.ion ()
　　plt.show(),,, #显示()是一次性的展示,为了使连续的展示,加入plt.ion ()
　　
　　for 小姐:拷贝范围(1000):
　　,,,sess.run (train_step, feed_dict={xs:, x_data,, y,, y_data})
　　,,,if 小姐:%,50,==,0:
　　,,,,,,,#,用阅读,step  improment 显示实际点的数据
　　,,,,,,,#,打印(sess.run(损失,feed_dict =, {xs: x_data y: y_data}))
　　,,,,,,,试一试:
　　,,,,,,,,,,,#,每次划线前抹除上一条线,抹除线的第一条线,由于行只有一条线,则为[0],第一次没有线
　　,,,,,,,,,,,ax.lines.remove([0]行)
　　,,,,,,,except 例外:
　　,,,,,,,,,,,
　　,,,,,,,#,显示预测数据
　　,,,,,,,prediction_value =, sess.run(预测,feed_dict={xs:, x_data})
　　
　　null
　　null
　　null
　　null
　　null
如何使用tensorboard展示神经网络的图