利用Tensorboard繪制網(wǎng)絡(luò)識(shí)別準(zhǔn)確率和loss曲線實(shí)例
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。
相關(guān)文章
一個(gè)小示例告訴你Python語(yǔ)言的優(yōu)雅之處
本篇中, 我們展示一下一段非常小的代碼, 這段代碼十分吸引我們, 因?yàn)樗褂檬謨?yōu)雅和直接的方式解決了一個(gè)常見(jiàn)的問(wèn)題.2014-07-07

python按鍵按住不放持續(xù)響應(yīng)的實(shí)例代碼

探索Python內(nèi)置數(shù)據(jù)類型的精髓與應(yīng)用

python數(shù)據(jù)結(jié)構(gòu)之圖的實(shí)現(xiàn)方法

Jupyter Notebook運(yùn)行Python代碼實(shí)現(xiàn)傳參方式

Django之choices選項(xiàng)和富文本編輯器的使用詳解

簡(jiǎn)單講解Python中的字符串與字符串的輸入輸出