學習《深度學習之TensorFlow》時的一些實踐。

TensorBoard是一個日誌展示系統，在Session中使用tf.summary中的API將日誌儲存在日誌檔案中，然後通過TensorBoard服務在瀏覽器中就可以讀取這些日誌，檢視圖形化後的資訊。

對線性迴歸做視覺化

上篇的線性迴歸，這裡對預測值Z和損失cost兩個計算結點分別用直方圖和標量形式視覺化。而計算圖預設就會顯示，無需設定。

import tensorflow as tf
import numpy as np

"""生成樣本"""
X_train = np.linspace(-1, 1, 100
 
)
Y_train = 2 * X_train + np.random.randn(*X_train.shape) * 0.2 - 0.1

"""建立模型"""
X = tf.placeholder("float")
Y = tf.placeholder("float")

W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias")

Z = tf.multiply(X, W) + b
tf.summary.histogram('z', Z)  # 預測值以直方圖形式顯示
 


cost = tf.reduce_mean(tf.square(Y - Z))
tf.summary.scalar('loss_function', cost)  # 損失以標量形式顯示

optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(cost)

"""迭代訓練模型"""
init = tf.global_variables_initializer()

train_epochs = 20
display_step = 2

with tf.Session() as sess:
    sess.
 
run(init)
    merged_summary_op = tf.summary.merge_all()  # 合併前面定義的所有的summary
    summary_writer = tf.summary.FileWriter('log/yeq2x', sess.graph)  # 用於寫summary
    for epoch in range(train_epochs):
        for (x, y) in zip(X_train, Y_train):
            sess.run(optimizer, feed_dict={X: x, Y: y})
        # 在每個epoch都生成summary
        summary_str = sess.run(merged_summary_op, feed_dict={X: x, Y: y})
        # 然後將summary寫入檔案
        summary_writer.add_summary(summary_str, epoch)
    print("完成,cost=", sess.run(cost, feed_dict={X: X_train, Y: Y_train}), "W=", sess.run(W), "b=", sess.run(b))

執行完成後，在日誌目錄下就形成了相應的日誌檔案，去到其上級目錄，在命令列下啟動TensorBoard服務：

tensorboard --logdir ./yeq2x

可以看到：

TensorBoard 1.10.0 at http://PC-20180324TODF:6006 (Press CTRL+C to quit)

使用Chrome或者Firefox開啟這個URL即可：

相關學習資源

Tensorboard 詳解（上篇）