tensorboard常用於更直觀的觀察資料在神經網路中的變化，或者用於觀測已經構建完成的神經網路的結構。其有助於我們更加方便的去觀測tensorflow神經網路的搭建情況以及執**況。
tensorboard相關函式及其常用引數設定
1 with tf.name_scope(layer_name):
tensorflow中的name_scope函式的作用是建立乙個引數命名空間。這個空間裡包括許多引數，每個引數有不同的名字，這樣可以更好的管理引數空間，防止變數命名時產生衝突。
利用該函式可以生成相對應的神經網路結構圖。
該函式支援巢狀。
在該標題中，該引數命名空間空間的名字為layer_name。
2 tf.summary.histogram(layer_name+"/biases",biases)
該函式用於將變數記錄到tensorboard中。用來顯示直方圖資訊。
一般用來顯示訓練過程中變數的分布情況。
在該標題中，biases的直方圖資訊被記錄到tensorboard的layer_name+"/biases"中。
3 tf.summary.scalar(「loss」,loss)
用來進行標量資訊的視覺化與顯示。
一般在畫loss曲線和accuary曲線時會用到這個函式。
在該標題中，loss的標量資訊被記錄到tensorboard的"loss"中。
4 tf.summary.merge_all()
將之前定義的所有summary整合在一起。
tf.summary.scalar、tf.summary.histogram、tf.summary.image在定義的時候，也不會立即執行，需要通過sess.run來明確呼叫這些函式。因為，在乙個程式中定義的寫日誌操作比較多，如果一一呼叫，將會十分麻煩，所以tensorflow提供了tf.summary.merge_all()函式將所有的summary整理在一起。在tensorflow程式執行的時候，只需要執行這乙個操作就可以將**中定義的所有寫summary內容執行一次，從而將所有的summary內容寫入。
5 tf.summary.filewriter(「logs/」,sess.graph)
將summary內容寫入磁碟檔案，filewriter類提供了一種用於在給定目錄下建立事件檔案的機制，並且將summary資料寫入硬碟。
在該標題中，summary資料被寫入logs資料夾中。
6 write.add_summary(result,i)
該函式成立前提為：
write = tf.summary.filewriter("logs/",sess.graph)
add_summary是tf.summary.filewriter父類中的成員函式;新增summary內容到事件檔案，寫入事件檔案。
在該標題中，result是tf.summary.merge_all()執行的結果，i表示世代數。
7 tensorboard --logdir=logs
該函式用於cmd命令列中。用於生成tensorboard觀測網頁。
例子該例子為手寫體識別例子。
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist_data",one_hot = "true")
def add_layer(inputs,in_size,out_size,n_layer,activation_function = none):
layer_name = 'layer%s'%n_layer
with tf.name_scope(layer_name):
with tf.name_scope("weights"):
weights = tf.variable(tf.random_normal([in_size,out_size]),name = "weights")
tf.summary.histogram(layer_name+"/weights",weights)
with tf.name_scope("biases"):
biases = tf.variable(tf.zeros([1,out_size]) + 0.1,name = "biases")
tf.summary.histogram(layer_name+"/biases",biases)
with tf.name_scope("wx_plus_b"):
wx_plus_b = tf.matmul(inputs,weights) + biases
tf.summary.histogram(layer_name+"/wx_plus_b",wx_plus_b)
if activation_function == none :
outputs = wx_plus_b
else:無錫**多少錢
outputs = activation_function(wx_plus_b)
tf.summary.histogram(layer_name+"/outputs",outputs)
return outputs
def compute_accuracy(x_data,y_data):
global prediction
y_pre = sess.run(prediction,feed_dict=)
correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1)) #判斷是否相等
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #賦予float32資料型別，求平均。
result = sess.run(accuracy,feed_dict = ) #執行
return result
xs = tf.placeholder(tf.float32,[none,784])
ys = tf.placeholder(tf.float32,[none,10])
layer1 = add_layer(xs,784,150,"layer1",activation_function = tf.nn.tanh)
prediction = add_layer(layer1,150,10,"layer2")
with tf.name_scope("loss"):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=ys,logits = prediction),name = 'loss')
#label是標籤，logits是**值，交叉熵。
tf.summary.scalar("loss",loss)
train = tf.train.gradientdescentoptimizer(0.5).minimize(loss)
init = tf.initialize_all_variables()
merged = tf.summary.merge_all()
with tf.session() as sess:
sess.run(init)
write = tf.summary.filewriter("logs/",sess.graph)
for i in range(5001):
batch_xs,batch_ys = mnist.train.next_batch(100)
sess.run(train,feed_dict = )
if i % 1000 == 0:
print("訓練%d次的識別率為：%f。"%((i+1),compute_accuracy(mnist.test.images,mnist.test.labels)))
result = sess.run(merged,feed_dict=)
write.add_summary(result,i)
該例子執行結果為：
結構圖：
loss值：
weights，biases的直方圖分布
並查集 好朋友
天勤書上一道題，很簡潔的展現了並查集的思想。大致意思是x和y是和朋友，xx和yy是好朋友.要你分組使組內都是好朋友，組外都不是好朋友。資料量比較小，很水，路徑壓縮不考慮也沒問題。includeusing namespace std define max 200 int father max bool...
我的好朋友,秀雲
早上起來前,居然夢見秀雲了.夢的套路很老套,我遇到困難了,她主動給我想辦法,提建議.其實也不是很重要的事情,怎麼她居然出現了呢?看來,秀雲的熱心主動,已經是乙個標誌了.秀雲是我的大學同學,她是有點兒俠肝義膽的那種人,也喜歡給人講題,人緣很好.我現在給別人講題,估計也有她的一部分影響.畢業後,她和老公...
SEO該是UED的好朋友
網際網路的ued因網路而存在，我們所做的所有 互動 都是要通過google 和世界連線起來。白鴉雲 seo是ued的最大敵人 但，如果我們的設計不重視seo，就會在google上淘汰，如果你通過網路營銷，當目標顧客在搜尋你的產品或服務的時候沒有找到你，那獲利的可能是你的競爭對手。所以沒有意義去爭論s...