TensorFlow增加变量显示+tensorboard可视化

#加名空间：
with.tf.variable_scope(“name”):
a = tf.Variable(initial_value=50)
# 初始化变量
tf.global_variables_initializer().run()
#收集变量：
tf.summary.scalar(name=“”，tensor)    #收集loss和accuray等单值变量，name是变量的名字，tensor为值
tf.summary.histogram(name=””,tensor)  #收集高维度的变量参数
tf.summary.image(name,tensor)           #收集输入的图片张量能显示图片
#合并变量写入事件
marged=tf.summary.merge_all()
summary=sess.run(merged) # 每次迭代都需要运行
FileWriter.add_summary(summary,i) #i表示第几次的值
启动Tensorboard命令：tensorboard –logdir=”./tmp/summary/”  注意等于后面没有空格

例子

import tensorflow as tf
# 构建计算图
data1 = tf.constant(15, name="data1")
data2 = tf.constant(25, name="data2")
dataAdd = tf.add(data1, data2)
# 执行计算图
with tf.Session() as sess:
    print("dataAdd:", sess.run(dataAdd))
    # 添加TensorBoard可视化界面
    write = tf.summary.FileWriter('Z:/board', tf.get_default_graph())
    write.close()

在指定路径已经生产持久化文件，在指定目录中（Z:/board）打开cmd指定启动TensorBoard可视化工具名执行

tensorboard --logdir=log

通过这个地址可以访问该操作的可视化图:

本文链接：https://blog.csdn.net/u013185349/article/details/104632379

智能推荐

[TensorFlow笔记] TensorBoard可视化

多元线性回归（数据是经典的Boston房价预测）：使用TensorFlow的常规步骤：准备数据 -> 构建计算图 -> 喂入数据 -> 得到结果可视化计算图只需增加一行代码：再次运行代码，就会在D:\TB_DIR目录下看到一个以events.out.tfevents.*开头的文件。然后在命令行下cd到D:\TB_DIR目录，输入：然后在Chrome浏览器打开地址htt...

初步实现 tensorflow自带有非常强大的可视化功能tensorboard 运行程序生成事件文件命令行运行如果/Users/lawa/PycharmProjects/tens/tmp/summary里有多个事件文件，默认选择最新的一个界面展示（不同的版本可能布局不一样） SCALARS：展示训练过程中的准确率、损失值、权重/偏置的变化情况，一般是单个数值 IMAGES：展示训练过程中及记...

Tensorflow2——tensorboard可视化

下面通过手写数字数据集来介绍如何使用tensorboard可视化可以两种方法，一种是再notebook里，还有一种是网页打开。 jupyter notebook 调试利用这个logs指的是保存的文件夹的路径或者是用网页版打开定位到logs文件夹输入命令：tensorboard --logdir logs 复制这个网址在浏览器打开...

Tensorflow基础：TensorBoard可视化

为了更好的管理、调试和优化神经网络的训练过程，Tensorflow提供了一个可视化工具TensorBoard。TensorBoard可以有效地展示Tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的图像等信息。 TensorBoard简介 TensorBoard是Tensorflow的可视化工具，它可以通过Tensorflow程序运行过程中输出的日志文件可视化Te...

Tensorflow 可视化 Tensorboard 1

　　Tensorflow 自带的 tensorboard 去可视化我们所建造出来的神经网络是一个很好的学习理解方式。用最直观的流程图告诉你你的神经网络是长怎样,有助于你发现编程中间的问题和疑问。　　这次只是简单展示tensorboard的简单使用。所以demo还是使用上上篇博客的demo,只是对一里面的一下层和必要参数进行了包装。这次展示的图是这样的。图上有三层我们的代码里面也是只有简单的三...