首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >tensorboard可视化(二)

tensorboard可视化(二)

作者头像
公众号guangcity
发布于 2019-09-20 07:11:06
发布于 2019-09-20 07:11:06
33600
代码可运行
举报
文章被收录于专栏:光城(guangcity)光城(guangcity)
运行总次数:0
代码可运行

tensorboard可视化(二)

1.导包

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
import tensorflow as tf
import numpy as np

2.make up some data

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise

3.将xs和ys包含进来,形成一个大的图层,图层名字叫做inputs

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
with tf.name_scope('inputs'):
    # 为xs指定名称x_input
    xs = tf.placeholder(tf.float32, [None, 1],name='x_input')
    # 为ys指定名称y_input
    ys = tf.placeholder(tf.float32, [None, 1],name='y_input')

4.在 layer 中为 Weights, biases 设置变化图表

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# add_layer多加一个n_layer参数(表示第几层)
def add_layer(inputs ,
              in_size,
              out_size,n_layer,
              activation_function=None):
    ## add one more layer and return the output of this layer
    layer_name='layer%s'%n_layer
    with tf.name_scope(layer_name):
         # 对weights进行绘制图标
         with tf.name_scope('weights'):
              Weights= tf.Variable(tf.random_normal([in_size, out_size]),name='W')
              tf.summary.histogram(layer_name + '/weights', Weights)
          # 对biases进行绘制图标
         with tf.name_scope('biases'):
              biases = tf.Variable(tf.zeros([1,out_size])+0.1, name='b')
              tf.summary.histogram(layer_name + '/biases', biases)
         with tf.name_scope('Wx_plus_b'):
              Wx_plus_b = tf.add(tf.matmul(inputs,Weights), biases)
         if activation_function is None:
            outputs=Wx_plus_b
         else:
            outputs= activation_function(Wx_plus_b)
         # 对outputs进行绘制图标
         tf.summary.histogram(layer_name + '/outputs', outputs)
    return outputs

5.修改隐藏层与输出层

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# 由于我们对addlayer 添加了一个参数, 所以修改之前调用addlayer()函数的地方. 对此处进行修改:
# add hidden layer
l1= add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)
# add output  layer
prediction= add_layer(l1, 10, 1, n_layer=2, activation_function=None)

6.设置loss的变化图

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
#  loss是在tesnorBorad 的event下面的, 这是由于我们使用的是tf.scalar_summary() 方法.
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.reduce_sum(
        tf.square(ys - prediction), reduction_indices=[1]))
    tf.summary.scalar('loss', loss)  # tensorflow >= 0.12

7.给所有训练图合并

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# 机器学习提升准确率
with tf.name_scope('train'):
    train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 0.1表示学习效率

# 初始化
sess= tf.Session()
merged = tf.summary.merge_all()
writer = tf.summary.FileWriter("logs/", sess.graph) #
sess.run(tf.global_variables_initializer())

8.训练数据

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
for i in range(1000):
   sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
   if i%50 == 0:
      rs = sess.run(merged,feed_dict={xs:x_data,ys:y_data})
      writer.add_summary(rs, i)
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-01-21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 光城 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Python人工智能 | 六.Tensorboard可视化基本用法及神经网络绘制
忙了一周,晚上休息下,接着分享AI知识。本系列作者将讲解Python深度学习、神经网络及人工智能相关知识,希望您喜欢。
Eastmount
2021/12/02
1.6K0
Python人工智能 | 六.Tensorboard可视化基本用法及神经网络绘制
开发 | 这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)
AI科技评论按:本文作者 Jerry,原文载于作者个人博客,AI科技评论已获授权。 TensorBoard 如何更直观的观察数据在神经网络中的变化,或是已经构建的神经网络的结构,可以使用 matplotlib 第三方可视化,来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard,并且能更直观的看见整个神经网络的结构。 上面的结构图甚至可以展开,变成: 使用 结构图: with tensorflow .name_scope(layer_name): 直接使用
AI科技评论
2018/03/12
1.3K0
开发 | 这才是 TensorFlow 自带可视化工具 TensorBoard 的正确打开方式!(附项目源码)
tensorflow
此篇笔记参考来源为《莫烦Python》 tensorflow安装 在命令行模式下进入到python安装目录中的Scripts下,例如我的安装路径为:D:\Program Files (x86)\Python\Scripts 安装CPU版本的: pip3 install --upgrade tensorflow GPU版本: pip3 install --upgrade tensorflow-gpu 心酸啊,一开始使用这种方法超时了,想想就试着装一个anaconda吧,成功安装好了之后,但是IDLE中导入错误
闪电gogogo
2018/05/28
9230
TensorFlow可视化工具-TensorBoard上手
TensorBoard是TensorFlow自带的神经网络可视化工具,用直观的流程图显示神经网络,更好的理解学习。
百川AI
2021/10/19
7850
TensorFlow编程入门(一)
本文介绍如何使用TensorFlow搭建神经网络。首先介绍了TensorFlow的基础概念和主要组件,然后通过一个简单的线性回归例子展示了如何利用TensorFlow搭建神经网络。接着介绍了如何使用TensorFlow搭建卷积神经网络,并通过一个手写数字识别的例子进行了演示。最后介绍了如何使用TensorFlow搭建循环神经网络,并通过一个语音识别的例子进行了演示。
用户1148523
2018/01/09
6430
Tensorboard可视化(一)
如果可视化不出来,浏览器输入localhost:你的dos下的端口号,进去了没有图片,请检查运行命令,
公众号guangcity
2019/09/20
3440
Tensorboard可视化(一)
一文学会用 Tensorflow 搭建神经网络
---- cs224d-Day 6: 快速入门 Tensorflow 本文是学习这个视频课程系列的笔记,课程链接是 youtube 上的, 讲的很好,浅显易懂,入门首选, 而且在github有代码, 想看视频的也可以去他的优酷里的频道找。 Tensorflow 官网 ---- 神经网络是一种数学模型,是存在于计算机的神经系统,由大量的神经元相连接并进行计算,在外界信息的基础上,改变内部的结构,常用来对输入和输出间复杂的关系进行建模。 神经网络由大量的节点和之间的联系构成,负责传递信息和加工信息,神经元也
杨熹
2018/04/02
1.1K0
一文学会用 Tensorflow 搭建神经网络
TensorFlow学习
TensorFlow学习0.导语1.Session会话控制(两种打开模式)2.Tensorflow使用Variable3.Placeholder 传入值4.激励函数(activate function)5.定义添加神经层的函数6.建造神经网络7.matplotlib 可视化8.学习文章
公众号guangcity
2019/09/20
6550
TensorFlow学习
Python人工智能 | 五.TensorFlow创建回归神经网络及Optimizer优化器
从本篇文章开始,作者正式开始讲解Python深度学习、神经网络及人工智能相关知识,希望您喜欢。
Eastmount
2021/12/02
7910
Python人工智能 | 五.TensorFlow创建回归神经网络及Optimizer优化器
tensorflow之线性回归
定义输入变量x,输出变量y;初始化线性回归中的参数:w,b;根据公式给出预测结果,计算误差,使用梯度下降优化;不断的训练,直到达到最大的训练次数(或考虑达到最小的误差要求),结束训练,输出最终的结果;
用户7886150
2021/01/09
5870
Tensorflow建造神经网络
这次介绍怎样建造一个完整的神经网络,包括添加神经层,计算误差,训练步骤,判断是否在学习.
软件架构师Michael
2022/12/31
3260
Python人工智能 | 八.什么是过拟合及dropout解决神经网络过拟合
前一篇文章通过TensorFlow实现分类学习,以MNIST数字图片为例进行讲解;本文将介绍什么是过拟合,并采用droput解决神经网络中过拟合的问题,以TensorFlow和sklearn的load_digits为案例。本专栏主要结合作者之前的博客、AI经验和"莫烦大神"的视频介绍,后面随着深入会讲解更多的人工智能案例及应用。
Eastmount
2021/12/01
1.7K0
Python人工智能 | 八.什么是过拟合及dropout解决神经网络过拟合
人工智能python的tensorflow基础
import tensorflow as tf matrix1=tf.constant([[3,3]]) matrix2=tf.constant([[2], [2]]) product=tf.matmul(matrix1,matrix2) with tf.Session() as sess:#打开Session以sess命名,不用管关不关Session,运行完with里的语句自动关Session result2=sess.run(product) p
IT架构圈
2018/06/01
4640
TensorFlow-平面曲线拟合
平面曲线属于非线性函数,至少需要 3 层的神经网络(输入层,隐藏层x1,输出层)来实现,为达到较好的效果,可尝试更多层,下面的例子使用了2层隐藏层,采用最基本的全连接形式,隐藏层的神经元个数没有严格要求,根据实际项目选择,下面例子选用8个。
xxpcb
2020/08/04
7100
基于tensorboard的模型训练过程可视化
2018年9月14日笔记 阅读本文的前提是已经阅读《基于tensorflow的一元二次方程回归预测》,文章链接:https://www.jianshu.com/p/b27860402fe3 本文使用tensorboard对一元二次方程回归预测的模型训练过程做可视化展现。
潇洒坤
2018/10/09
1.5K0
基于tensorboard的模型训练过程可视化
神经网络在tensorflow的简单应用
  在生物学中,神经细胞利用电-化学过程交换信号。输入信号来自另一些神经细胞,这些神经细胞的轴突末梢(也就是终端)和本神经细胞的树突相遇形成突触,信号就从树突上的突触进入本细胞。就是说,大脑的神经细胞也只有两种状态:兴奋和不兴奋(抑制)。发射信号的强度不变,变化的仅仅是频率。神经细胞利用一种我们还不知道的方法,把所有从树突突触上进来的信号进行相加,如果全部信号的总和超过某个阀值,就会激发神经细胞进入兴奋状态,这时就会有一个电信号通过轴突发送出去给其他神经细胞。如果信号总和没有达到阀值,神经细胞就不会兴奋起来。
csxiaoyao
2019/02/18
8560
【三】tensorboard安装、使用教学以及遇到的问题
【一】tensorflow安装、常用python镜像源、tensorflow 深度学习强化学习教学
汀丶人工智能
2022/12/01
1.4K0
【三】tensorboard安装、使用教学以及遇到的问题
tensorflow笔记(二)之构造一个简单的神经网络
http://www.cnblogs.com/fydeblog/p/7425200.html
努力努力再努力F
2018/09/11
5010
tensorflow笔记(二)之构造一个简单的神经网络
DSSM & Multi-view DSSM TensorFlow实现
Learning Deep Structured Semantic Models for Web Search using Clickthrough Data以及其后续文章
百川AI
2021/10/19
1.1K0
Tensorboard 监控指标可视化
[1]Tensorflow实战Google深度学习框架: https://github.com/caicloud/tensorflow-tutorial/tree/master/Deep_Learning_with_TensorFlow/1.4.0
演化计算与人工智能
2020/08/14
1.2K0
Tensorboard 监控指标可视化
相关推荐
Python人工智能 | 六.Tensorboard可视化基本用法及神经网络绘制
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档