TensorBoard

核心概念Graph和Session

Data Flow Graph

表示多个操作之间的数据依赖关系的图形。任何算法都由一些有序的操作组成

可以逐行实现这个算法，实现会注意到每个操作之间的依赖关系

节点是发送和接收数据消息的计算，计算定义≠执行计算 ，计算的定义和执行，被很好地分离开了

Session

Session是Graph和执行者之间的媒介

在session当中执行图中的运算，包含了操作对象执行的环境

tensor在Graph通过运算(op)进行传递和变换实现Graph和计算内核的交互

重点

节省资源高效运算(只会计算你需要的结果依赖的子图)

把整个运算分解成子环节，方便自动求导

对分布式运算很友好，计算工作可以分给多个GPU或者多个CPU或者多个设备运算

机器学习的模型本身也非常适合组织成图格式

TensorBoard可视化

在定义完计算图 和 运行session之前使用summary writer

写到日志文件里writer = tf.summary.FileWriter(‘./graphs/logistic_reg’, sess.graph)

命令行解析日志，浏览器端可视化

命令行端运行

python LinearRegression.py

tensorboard –logdir=”./graphs” –port 6006

打开google浏览器访问: http://localhost:6006/

LinearRegression.py运行结果：