這篇文章將為大家詳細(xì)講解有關(guān)如何利用Tensorboard繪制網(wǎng)絡(luò)識別準(zhǔn)確率和loss曲線，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

創(chuàng)新互聯(lián)專注于企業(yè)營銷型網(wǎng)站建設(shè)、網(wǎng)站重做改版、上黨網(wǎng)站定制設(shè)計(jì)、自適應(yīng)品牌網(wǎng)站建設(shè)、H5建站、商城網(wǎng)站開發(fā)、集團(tuán)公司官網(wǎng)建設(shè)、外貿(mào)網(wǎng)站建設(shè)、高端網(wǎng)站制作、響應(yīng)式網(wǎng)頁設(shè)計(jì)等建站業(yè)務(wù)，價(jià)格優(yōu)惠性價(jià)比高，為上黨等各大城市提供網(wǎng)站開發(fā)制作服務(wù)。

，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)以及識別準(zhǔn)確率和損失函數(shù)的曲線圖。

注意：如果對網(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，在瀏覽器刷新頁面即可。

關(guān)于“如何利用Tensorboard繪制網(wǎng)絡(luò)識別準(zhǔn)確率和loss曲線”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，使各位可以學(xué)到更多知識，如果覺得文章不錯(cuò)，請把它分享出去讓更多的人看到。

當(dāng)前標(biāo)題：如何利用Tensorboard繪制網(wǎng)絡(luò)識別準(zhǔn)確率和loss曲線-創(chuàng)新互聯(lián)
文章源于：http://chinadenli.net/article34/dosise.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供小程序開發(fā)、外貿(mào)建站、服務(wù)器托管、域名注冊、微信小程序、軟件開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)