tensorboard的简单使用

首先保证你已有程序，下面是MLP实现手写数字分类模型的代码实现。

不懂的能够对照注释理解。

#输入数据是28*28大小的图片，输出为10个类别，隐层大小为300个节点
from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf
 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) sess = tf.InteractiveSession() x = tf.placeholder(dtype=tf.float32,shape=[None,784]) y_ = tf.placeholder(dtype=tf.float32,shape=[None,10]) image_reshaped_input = tf.reshape(x,[-1,28,28,1]) tf.summary.image('input',image_reshaped_input,10) #tf.summary.image()用于将图像类型的tensor添加在Summary协议缓冲区中 #其本质就是将tensor统计存储，用于未来展现在tensorboard上 #在计算图中添加了一个新的节点，第一个参数是节点名称，第二个参数是接收的tensor #第三个参数是最大存储的图像数目，此处指定为10，代表最多存储10个图像 #tf.summary.image()接受的tensor形状必须为[batch_size,height,width,channels]， #因此上面才对输入数据进行了reshape()操做 #channels为1时，图像被解析为灰度图，为3时解析为RGB图像，为4时解析为RGBA图像
W1 = tf.Variable(tf.truncated_normal([784,300],stddev=0.1)) b1 = tf.Variable(tf.zeros([300])) hidden1 = tf.nn.relu(tf.matmul(x,W1)+b1) keep_prob = tf.placeholder(tf.float32) hidden1_drop = tf.nn.dropout(hidden1,keep_prob) W2 = tf.Variable(tf.zeros([300,10])) b2 = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(hidden1_drop,W2)+b2) cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1])) tf.summary.scalar("cross_entropy",cross_entropy) #tf.summary.scalar()用于将标量类型的tensor统计存储，造成折线图，用于可视化 #在计算图中添加了一个新的节点，第一个参数是节点名称，第二个参数是接收的tensor
train_step = tf.train.AdagradOptimizer(0.3).minimize(cross_entropy) prediction_result = tf.argmax(y,1) tf.summary.histogram("prediction_result",prediction_result) #t.summary.histogram()用于将向量类型的tensor统计存储，造成直方图，用于可视化 #在计算图中添加了一个新的节点，第一个参数是节点名称，第二个参数是接收的tensor

correct_prediction = tf.equal(tf.argmax(y_,1),prediction_result) accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) tf.summary.scalar("accuracy",accuracy) merged = tf.summary.merge_all() #这一步操做的意义在于：如前所述，全部的summary操做本质上是graph中的一个节点 #tensorflow程序运行的时候，因为计算其余的变量不须要用到summary的结果，因此须要指定运行每个summary #如若是程序中定义了多个summary，那么每个summary都须要运行一次，写起来太麻烦 #tf.summary.merge_all()能够将全部的summary操做拼成一个，这样只须要运行一次便可

writer = tf.summary.FileWriter("./logs",sess.graph) #这一步将计算图以event文件的格式存入了./logs文件夹当中 #注意此时会话还没有开始执行，全部变量也都未初始化，因此实际上以前定义的summary还统计不到任何信息

tf.global_variables_initializer().run() for i in range(3000): batch_xs,batch_ys = mnist.train.next_batch(100) _,summary = sess.run((train_step,merged),feed_dict={x:batch_xs,y_:batch_ys,keep_prob:0.75}) #须要对merged的全部summary执行sess.run()的操做，才能够确保数据流入了统计图中
 writer.add_summary(summary,i) #writer的add_summary()方法将某一个step的summary统计结果添加到了event文件中，i是step数
    #这里实际上就是将每个step的数据都添加到了event文件当中
    #由此咱们也理解了summary起到的统计的做用，实际上其统计的就是某一个tensor在不一样的时刻的值的变化状况
    #tf.summary.scalar将标量统计为折线图，tf.summary.histogram将向量统计为直方图
print("The final resultis"+str(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0})))

 

跑完程序后到程序当前目录下log文件夹找到 文件events.

 

 

复制上面的路径

win10下打开Powershell ，输入：

tensorboard --logdir 上面的路径

 

 而后打开浏览器，个人是微软的edge浏览器，输入网址：

localhost:6066

就获得了想要的图

------ ------------------------------------------------------------------------------------------------------分割线

若是在shell中只输入tensorboard命令就显示出错，则按如下步骤添加环境变量便可

 

1.搜索编辑系统环境变量

2.点环境变量，双击PATH

3.点击新建，把python路径添加进去，个人是anaconda下的Scripts，点进去复制上面的路径，新建添加的就是这个路径。

（图中最后一条）

再点击肯定就行，这样就把环境变量添加好了，再输入tensorboard命令就不会出错了。