利用Tensorboard绘制网络识别准确率和loss曲线实例
2020-03-11 16:28
676 查看
废话不多说,直接上代码看吧!
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist = input_data.read_data_sets("MNIST_data",one_hot=True) #每个批次的大小和总共有多少个批次 batch_size = 100 n_batch = mnist.train.num_examples // batch_size #定义函数 def variable_summaries(var): with tf.name_scope('summaries'): mean = tf.reduce_mean(var) tf.summary.scalar('mean', mean) #平均值 with tf.name_scope('stddev'): stddev = tf.sqrt(tf.reduce_mean(tf.square(var-mean))) tf.summary.scalar('stddev', stddev) #标准差 tf.summary.scalar('max', tf.reduce_max(var)) tf.summary.scalar('min', tf.reduce_min(var)) tf.summary.histogram('histogram', var) #直方图 #命名空间 with tf.name_scope("input"): #定义两个placeholder x = tf.placeholder(tf.float32,[None,784], name = "x_input") y = tf.placeholder(tf.float32,[None,10], name = "y_input") with tf.name_scope("layer"): #创建一个简单的神经网络 with tf.name_scope('weights'): W = tf.Variable(tf.zeros([784,10]), name='W') variable_summaries(W) with tf.name_scope('biases'): b = tf.Variable(tf.zeros([10]), name='b') variable_summaries(b) with tf.name_scope('wx_plus_b'): wx_plus_b = tf.matmul(x,W)+b with tf.name_scope('softmax'): prediction = tf.nn.softmax(wx_plus_b) with tf.name_scope('loss'): #交叉熵代价函数 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction)) tf.summary.scalar('loss', loss) with tf.name_scope('train'): #使用梯度下降法 train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss) #初始化变量 init = tf.global_variables_initializer() with tf.name_scope('accuracy'): with tf.name_scope('correct_prediction'): #结果存放在一个布尔型列表中 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置 with tf.name_scope('accuracy'): #求准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) tf.summary.scalar('accuracy', accuracy) #合并所有的summary merged = tf.summary.merge_all() with tf.Session() as sess: sess.run(init) writer = tf.summary.FileWriter("log/", sess.graph) #写入到的位置 for epoch in range(51): for batch in range(n_batch): batch_xs,batch_ys = mnist.train.next_batch(batch_size) summary,_ = sess.run([merged,train_step],feed_dict={x:batch_xs, y:batch_ys}) writer.add_summary(summary,epoch) acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("epoch " + str(epoch)+ " acc " +str(acc))
运行程序,打开命令行界面,切换到 log 所在目录,输入
tensorboard --logdir= --logdir=C:\Users\Administrator\Desktop\Python\log
接着会返回一个链接,类似 http://PC-20160926YCLU:6006
打开谷歌浏览器或者火狐,输入网址即可查看搭建的网络结构以及识别准确率和损失函数的曲线图。
注意:如果对网络进行更改之后,在运行之前应该先删除log下的文件,在Jupyter中应该选择Kernel----->Restar & Run All, 否则新网络会和之前的混叠到一起。因为每次的网址都是一样的,在浏览器刷新页面即可。
以上这篇利用Tensorboard绘制网络识别准确率和loss曲线实例就是小编分享给大家的全部内容了,希望能给大家一个参考
您可能感兴趣的文章:
相关文章推荐
- pytorch绘制并显示loss曲线和acc曲线,LeNet5识别图像准确率
- pytorch绘制并显示loss曲线和acc曲线,LeNet5识别图像准确率
- TensorFlow利用普通神经网络识别MNIST以及tensorboard可视化
- TF:利用sklearn自带数据集使用dropout解决学习中overfitting的问题+Tensorboard显示变化曲线—Jason niu
- QwtDemo-利用qwt进行实时曲线绘制实例
- 构造神经网络利用tensorboard结果可视化
- 基于卷积神经网络的物体分类识别(二)---绘制loss和accuracy曲线
- 使用tensorboard可视化loss和acc的实例
- Caffe深度学习框架下网络模型loss曲线绘制脚本
- 一、正确安装 Keras & TensorFlow 并调用 TensorBoard 绘制训练曲线
- 使用逻辑回归方法(softmax regression)识别MNIST手写体数字、使用CNN神经网络识别MNIST手写体数字、使用tensorboard可视化训练过程数据
- TensotFlow 应用实例:08-使用tensorboard可视化神经网络结构和训练结果
- [Python人工智能] 十三.如何评价神经网络、loss曲线图绘制、图像分类案例的F值计算
- caffe 利用python绘制loss曲线以及accuracy曲线
- caffe 利用python命令绘制神经网络图+pycaffe绘制loss_accuracy图片
- 深度学习可视化工具——Tensorboard绘制损失和精度曲线
- 数据科学论文翻译笔记3-特征离散化对网络用户识别随机森林分类器准确率的影响
- 利用ADSL拨号器指示灯识别网络故障
- 用fast rcnn绘制loss曲线遇到的问题
- PyQt5利用QPainter绘制各种图形的实例