快捷導(dǎo)航

利用Tensorboard繪制網(wǎng)絡(luò)識(shí)別準(zhǔn)確率和loss曲線實(shí)例

更新時(shí)間：2020年02月15日 15:32:21 作者：藍(lán)色天空2014-09

今天小編就為大家分享一篇利用Tensorboard繪制網(wǎng)絡(luò)識(shí)別準(zhǔn)確率和loss曲線實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

廢話不多說(shuō)，直接上代碼看吧！

import tensorflow as tf 
from tensorflow.examples.tutorials.mnist import input_data 
 
#載入數(shù)據(jù)集 
mnist = input_data.read_data_sets("MNIST_data",one_hot=True) 
 
#每個(gè)批次的大小和總共有多少個(gè)批次 
batch_size = 100 
n_batch = mnist.train.num_examples // batch_size 
 
#定義函數(shù)
def variable_summaries(var):
  with tf.name_scope('summaries'):
    mean = tf.reduce_mean(var)
    tf.summary.scalar('mean', mean) #平均值
    with tf.name_scope('stddev'):
      stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
    tf.summary.scalar('stddev', stddev) #標(biāo)準(zhǔn)差
    tf.summary.scalar('max', tf.reduce_max(var))
    tf.summary.scalar('min', tf.reduce_min(var))
    tf.summary.histogram('histogram', var) #直方圖
    
#命名空間
with tf.name_scope("input"):
  #定義兩個(gè)placeholder 
  x = tf.placeholder(tf.float32,[None,784], name = "x_input") 
  y = tf.placeholder(tf.float32,[None,10], name = "y_input") 
 
with tf.name_scope("layer"):
  #創(chuàng)建一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò) 
  with tf.name_scope('weights'):
    W = tf.Variable(tf.zeros([784,10]), name='W') 
    variable_summaries(W)
  with tf.name_scope('biases'):  
    b = tf.Variable(tf.zeros([10]), name='b') 
    variable_summaries(b)
  with tf.name_scope('wx_plus_b'): 
    wx_plus_b = tf.matmul(x,W)+b
  with tf.name_scope('softmax'):
    prediction = tf.nn.softmax(wx_plus_b) 
 
with tf.name_scope('loss'):
  #交叉熵代價(jià)函數(shù) 
  loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction)) 
  tf.summary.scalar('loss', loss)
with tf.name_scope('train'):
  #使用梯度下降法 
  train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss) 
 
#初始化變量 
init = tf.global_variables_initializer() 
 
with tf.name_scope('accuracy'):
  with tf.name_scope('correct_prediction'):
    #結(jié)果存放在一個(gè)布爾型列表中 
    correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一維張量中最大的值所在的位置 
  with tf.name_scope('accuracy'):
    #求準(zhǔn)確率 
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) 
    tf.summary.scalar('accuracy', accuracy)
 
#合并所有的summary
merged = tf.summary.merge_all()
 
with tf.Session() as sess: 
  sess.run(init) 
  writer = tf.summary.FileWriter("log/", sess.graph) #寫入到的位置
  for epoch in range(51): 
    for batch in range(n_batch): 
      batch_xs,batch_ys = mnist.train.next_batch(batch_size) 
      summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs, y:batch_ys}) 
    
    writer.add_summary(summary,epoch) 
    acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) 
    print("epoch " + str(epoch)+ "  acc " +str(acc))

運(yùn)行程序，打開(kāi)命令行界面，切換到 log 所在目錄，輸入

tensorboard --logdir= --logdir=C:\Users\Administrator\Desktop\Python\log

接著會(huì)返回一個(gè)鏈接，類似 http://PC-20160926YCLU:6006

打開(kāi)谷歌瀏覽器或者火狐，輸入網(wǎng)址即可查看搭建的網(wǎng)絡(luò)結(jié)構(gòu)以及識(shí)別準(zhǔn)確率和損失函數(shù)的曲線圖。

注意：如果對(duì)網(wǎng)絡(luò)進(jìn)行更改之后，在運(yùn)行之前應(yīng)該先刪除log下的文件，在Jupyter中應(yīng)該選擇Kernel----->Restar & Run All, 否則新網(wǎng)絡(luò)會(huì)和之前的混疊到一起。因?yàn)槊看蔚木W(wǎng)址都是一樣的，在瀏覽器刷新頁(yè)面即可。

以上這篇利用Tensorboard繪制網(wǎng)絡(luò)識(shí)別準(zhǔn)確率和loss曲線實(shí)例就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: