tensorflow的基本用法(六)——神经网络可视化
2017-04-14 22:56
405 查看
文章作者:Tyan
博客:noahsnail.com | CSDN | 简书
本文主要是对tensorflow的神经网络训练过程以及神经网络结构进行可视化工作。
执行结果如下:
在网络结果代码中添加
结果如图:
博客:noahsnail.com | CSDN | 简书
本文主要是对tensorflow的神经网络训练过程以及神经网络结构进行可视化工作。
#!/usr/bin/env python # _*_ coding: utf-8 _*_ import tensorflow as tf import numpy as np # 创建一个神经网络层 def add_layer(input, in_size, out_size, activation_function = None): """ :param input: 神经网络层的输入 :param in_zize: 输入数据的大小 :param out_size: 输出数据的大小 :param activation_function: 神经网络激活函数,默认没有 """ with tf.name_scope('layer'): with tf.name_scope('weights'): # 定义神经网络的初始化权重 Weights = tf.Variable(tf.random_normal([in_size, out_size])) with tf.name_scope('biases'): # 定义神经网络的偏置 biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) with tf.name_scope('W_mul_x_plus_b'): # 计算w*x+b W_mul_x_plus_b = tf.matmul(input, Weights) + biases # 根据是否有激活函数进行处理 if activation_function is None: output = W_mul_x_plus_b else: output = activation_function(W_mul_x_plus_b) return output # 创建一个具有输入层、隐藏层、输出层的三层神经网络,神经元个数分别为1,10,1 # 创建只有一个特征的输入数据,数据数目为300,输入层 x_data = np.linspace(-1, 1, 300)[:, np.newaxis] # 创建数据中的噪声 noise = np.random.normal(0, 0.05, x_data.shape) # 创建输入数据对应的输出 y_data = np.square(x_data) + 1 + noise with tf.name_scope('input'): # 定义输入数据,None是样本数目,表示多少输入数据都行,1是输入数据的特征数目 xs = tf.placeholder(tf.float32, [None, 1], name = 'x_input') # 定义输出数据,与xs同理 ys = tf.placeholder(tf.float32, [None, 1], name = 'y_input') # 定义一个隐藏层 hidden_layer = add_layer(xs, 1, 10, activation_function = tf.nn.relu) # 定义输出层 prediction = add_layer(hidden_layer, 10, 1, activation_function = None) # 求解神经网络参数 # 定义损失函数 with tf.name_scope('loss'): loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices = [1])) # 定义训练过程 with tf.name_scope('train'): train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 变量初始化 init = tf.global_variables_initializer() # 定义Session sess = tf.Session() # 将网络结构图写到文件中 writer = tf.summary.FileWriter('logs/', sess.graph) # 执行初始化工作 sess.run(init) # 绘制求解的曲线 fig = plt.figure() ax = fig.add_subplot(1, 1, 1) ax.scatter(x_data, y_data) plt.ion() plt.show() # 进行训练 for i in range(1000): # 执行训练,并传入数据 sess.run(train_step, feed_dict = {xs: x_data, ys: y_data}) if i % 100 == 0: try: ax.lines.remove(lines[0]) except Exception: pass # print sess.run(loss, feed_dict = {xs: x_data, ys: y_data}) # 计算预测值 prediction_value = sess.run(prediction, feed_dict = {xs: x_data}) 绘制预测值 lines = ax.plot(x_data, prediction_value, 'r-', lw = 5) plt.pause(0.1) # 关闭Session sess.close()
执行结果如下:
在网络结果代码中添加
tf.name_scope('name')并将网络结构图写入文件后,可用tensorboard命令查看神经网络的结果图:
tensorboard --logdir=log/
结果如图:
参考资料
https://www.youtube.com/user/MorvanZhou相关文章推荐
- tensorflow的基本用法(七)——使用MNIST训练神经网络
- tensorflow的基本用法(十)——保存神经网络参数和加载神经网络参数
- tensorflow的基本用法(五)——创建神经网络并训练
- tensorflow构建神经网络回归分析可视化
- TensorFlow入门,基本介绍,基本概念,计算图,pip安装,helloworld示例,实现简单的神经网络
- TensorFlow 编程训练6——神经网络的可视化
- Tensorflow基本语法和实现神经网络
- tensorflow 神经网络基本使用
- keras的基本用法(三)——创建神经网络
- TensorFlow利用普通神经网络识别MNIST以及tensorboard可视化
- tensorflow构建神经网络及可视化
- TensorFlow学习(七):基本神经网络"组件"
- keras的基本用法(四)——Fine Tuning神经网络
- TensorFlow学习--TensorBoard神经网络可视化
- Tensorflow中基本概念及神经网络模型的介绍
- Tensorflow新手通过PlayGround可视化初识神经网络
- TF之NN:matplotlib动态演示深度学习之tensorflow将神经网络系统自动学习并优化修正并且将输出结果可视化—Jason niu
- 如何用 Tensorflow 搭建神经网络-了解神经网络基本概念
- tensorflow实现最基本的神经网络 + 对比GD、SGD、batch-GD的训练方法
- Tensorflow搭建神经网络及使用Tensorboard进行可视化