1. tf.reuse_default_graph() # 对graph结构图进行清除和重置操作
2.tf.summary.FileWriter(path)构造writer实例化，以便进行后续的graph写入
参数说明：path表示路径
3.writer.add_graph(sess.graph) 将当前参数的graph写入到tensorboard中
参数说明：sess.graph当前的网络结构图
4. summ = tf.summary.merge_all() # 将所有的summary都添加
5. writer.add_summary(s) 将所有的summary写入到tensorboard中
参数说明：s为sess.run(summ)
6.tf.summary.image(‘input’， x_image，3) # 在summary中添加图片
参数说明：‘input’表示名称，x_image表示输入图片，3表示取3张图片
7.tf.summary.scalar('loss', loss) # 在summary中添加迭代的曲线图
参数说明：‘loss’为图的名称，loss为实际损失值
8.tf.summary.histgram('weights', w) # 在summary中添加权重参数w的分布图
参数说明：‘weights’为图的名称，w为参数值
代码说明：这里主要是分为两部分进行探讨，第一部分是对各个参数指标的画图，第二部分是对比不同的参数组合所能达到的效果
数据说明：使用的是mnist数据集，即mnist.train.next_batch
参数说明：传入的参数包括学习率，是否使用两层卷积，是否使用两层全连接，以及保存的名字
第一部分代码说明：
使用tf.variable_scope(name): 指定范围，然后再定义参数w和b，这样的话画出来的图像更加的清楚
使用tf.summary.histogram(‘weight’, w) # 画出参数的柱状图
使用tf.summary.image('input', x_image, 3) # 画出前三个图像的样子
使用tf.summary.scalar('loss', loss) # 画出变化趋势的折线图
使用tf.summary.merge_all() 在tensorboard中显示所有的信息
第一步：使用input_data.read_data_sets('/data', one_hot=True) 读取mnist数据集
第二步：构造main函数，对学习率，use_two_conv, use_two_fc进行循环
第三步：构造make_hparam_string用于构造learning，use_two_conv,use_two_fc的字符串，以便作为tensorbord文件的basename
第一步：conv_param = 'conv=2' if use_two_conv else 'conv=1' 将True或者False转换为字符串格式
第二步：fc_param = 'fc=2' if use_two_fc else 'fc=1' 将True或者False转换为字符串格式
第三步：‘lr_%.0E,%s,%s’%(learning, conv_param, fc_param), 将串接的结果返回
第四步：构建网络mnist_model，将学习率，use_two_conv, use_two_fc, hparam传入
第一步：使用tf. reuse_default_graph() 清除和重置默认图形
第二步：使用tf.Session() 构造sess
第三步：使用tf.placeholder(tf.float32, [None, 784], name='x') 初始化输入x，同时使用tf.reshape(x, [-1, 28, 28, 1]) 重构输入x的维度， 这里使用tf.summary.image('input', x_image, 3) #展示前3个图片，再使用tf.placeholder(tf.float32, [None, 10], name='labels') 构造y
第四步：if use_two_conv: 判断是进行二层卷积还是一层卷积
调用conv_layer(x, 1, 32, name='conv_1')构造第一层卷积层
调用conv_layer(conv_1, 32, 64, name='conv_2') 构造第二层卷积层
else：
调用conv_layer(x, 1, 64, name='conv') 构造第一层卷积层
使用tf.nn.max_pool(conv, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME' ) # 进行降维操作，
为了保证不管是哪种情况，操作完以后的维度是相同的，都是-1， 7，7，64
第五步：将卷积后的特征图片进行维度的变化，变化为[-1, 7*7*64]
第六步：if use_two_fc: 判断是进行二层全连接还是一层全连接
调用fc_layer(x, 7*7*64, 1024, name='fc_1') # 构造第一层全连接
调用logits = fc_layer(fc_1, 1024, 10, name='fc_2') # 构造第二层全连接
else:
调用fc_layer(x， 7*7*64, 10, name='fc') # 构造一层全连接层
第七步：使用with tf.variable_scope('loss') 来定义loss的范围，使用tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=logits)) 来定义损失值， 使用tf.summary.scalar('loss', loss) # 画出曲线loss的折线图
第八步：使用tf.train. Adaoptimzer(learning_rate).minimize(loss) 梯度下降来降低损失值
第九步：with tf.variable_scope('accuracy') 定义准确率，使用tf.equal和tf.reduce_mean计算准确率，使用tf.summary.scalar() 画出准确率的折线图
第十步：使用summ = tf.summary.merge_all() 将上述的summary全部都加到tensorboard中
第十一步：使用sess.run(tf.global_variables_initializer()) 进行参数初始化操作
第十二步：定义tensorboard_dir, 使用tf.summary.FileWriter(tensorboard_dir + hparam) # 将sumary图像写入到当前文件夹下，writer.add_graph(sess.graph) #将graph添加到writer中
第十三步：进行迭代训练
第一步：使用mnist.train.next_batch获得数据集batch
第二步: 每迭代5次，就执行[accr, s] = sess.run([accuracy, summ]), 并使用writer.add_summary(s, i)
第三步：执行sess.run(train_op)
第五步：执行main()函数
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data # 第一步数据导入
mnist = input_data.read_data_sets('/data', one_hot=True) #卷积层的构造
def conv_layer(input, inputS, outputS, name):
# 在name的范围内进行操作
with tf.variable_scope(name):
# 构造w的初始化矩阵，tf.Variable()维度为[5, 5, inputS, outputS]
w = tf.Variable(tf.truncated_normal([5, 5, inputS, outputS], stddev=0.05), name='w')
# 构造b的初始化矩阵，维度为[outputS]
b = tf.Variable(tf.constant(0.1, shape=[outputS]), name='b')
# 使用tf.nn.conv2d进行卷积操作
conv = tf.nn.conv2d(input, w, strides=[1, 1, 1, 1], padding='SAME')
# 使用tf.nn.relu进行激活操作
act = tf.nn.relu(conv)
# 使用tf.summary.histogram() 做参数分布直方图
tf.summary.histogram('weights', w)
tf.summary.histogram('biases', b)
tf.summary.histogram('activations', act)
# 进行池化操作，返回结果
return tf.nn.max_pool(act, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') def fc_layer(input, inputS, outputS, name):
with tf.variable_scope(name):
w = tf.Variable(tf.truncated_normal([inputS, outputS], stddev=0.05), name='w')
b = tf.Variable(tf.constant(0.1, shape=[outputS]), name='b') fc = tf.matmul(input, w) + b
act = tf.nn.relu(fc)
tf.summary.histogram('weights', w)
tf.summary.histogram('biases', b)
tf.summary.histogram('activations', act) return act
# 将输入use_two_conv和use_two_fc转换为字符串, 并将转换后的字符串和learning_rate进行组合
def make_hparam_string(learning_rate, use_two_conv, use_two_fc):
conv_param = 'conv=2' if use_two_conv else 'conv=1'
fc_param = 'fc=2' if use_two_fc else 'fc=1'
return 'lr_%.0E,%s,%s'%(learning_rate, conv_param, fc_param) # 构造mnist_model层
def mnist_model(learning_rate, use_two_conv, use_two_fc, hparam):
# 使用tf.reset_default_graph() 进行graph的清除和重置操作
tf.reset_default_graph()
# 使用tf.Session() 构造执行函数sess
sess = tf.Session()
# 使用tf.placeholder() 构造初始化输入
x = tf.placeholder(tf.float32, [None, 784], name='x')
# 将x进行维度的变化以便进行后续的卷积操作
x_images = tf.reshape(x, [-1, 28, 28, 1])
# 在tf.summary.image在tensorboard画出前3副图
tf.summary.image('input', x_images, 3)
# 使用tf.placeholder()构造y的初始化输入
y = tf.placeholder(tf.float32, [None, 10], name='labels')
# 如果使用两个卷积层
if use_two_conv:
# 构造第一层卷积，输入为x，1为channel，32为输出的num_filter, name表示名字
conv_1 = conv_layer(x_images, 1, 32, name='conv_1')
# 构造第二层卷积，输入为conv_1, 32为channel, 64为输出的num_filter， name表示名字
conv_out = conv_layer(conv_1, 32, 64, name='conv_2')
else:
# 构造第一层卷积层，输入为x_images, 1为channel， 64为输出w的num_filter通道数,name表示名字
conv_1 = conv_layer(x_images, 1, 64, name='conv')
# 直接进行池化操作，降低矩阵的维度，为了与二次卷积的维度相同
conv_out = tf.nn.max_pool(conv_1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# 对池化的矩阵进行维度的变化，维度转换为[-1, 7*7*64]
fcIn = tf.reshape(conv_out, [-1, 7*7*64])
# 使用二层全连接层
if use_two_fc:
# 进行第一层全连接层，w的维度是7*7*64, 1024, name表示名字
fc_1 = fc_layer(fcIn, 7*7*64, 1024, name='fc_1')
# 进行第二层全连接层，w的维度是1024， 10, name表示名字
logits = fc_layer(fc_1, 1024, 10, name='fc_2')
else:
# 只进行第一层全连接层，w的维度是7*7*64， 10， name表示名字
logits = fc_layer(fcIn, 7*7*64, 10, name='fc')
# 将获得的得分计算损失值，tf.reduce_mean(tf.nn.softmax_cross_entrop)进行交叉熵损失值计算
with tf.variable_scope('loss'):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=logits))
# 构造损失值的折线图
tf.summary.scalar('loss', loss)
# 使用tf.train.AdamOptimizer进行损失值的降低
train_op = tf.train.AdamOptimizer(learning_rate).minimize(loss)
# 计算准确率
with tf.variable_scope('accuracy'):
# 使用tf.equal() 计算correct_pred
correct_pred = tf.equal(tf.argmax(logits, axis=1), tf.argmax(y, 1))
# 使用tf.reduce_mean() 计算准确率
accuracy = tf.reduce_mean(tf.cast(correct_pred, 'float'))
# 在tensorboard画出准确率的折线图
tf.summary.scalar('accuracy', accuracy)
# 对参数进行初始化操作
sess.run(tf.global_variables_initializer())
# 将所有的summary在tensorboard进行画图
ssum = tf.summary.merge_all()
# 构造tensorboard的路径
tensorboard_dir = './tensorboard/test3/'
# 构造summary的写入
writer = tf.summary.FileWriter(tensorboard_dir + hparam)
# 将graph进行添加
writer.add_graph(sess.graph)
# 进行循环迭代
for i in range(2001):
# 获得数据
batch = mnist.train.next_batch(100)
# 每迭代5次，执行ssum, 将summary进行添加
if i % 5 == 0:
[s, accur] = sess.run([ssum, accuracy], feed_dict={x:batch[0], y:batch[1]})
# 将summary进行添加
writer.add_summary(s, i)
# 进行模型的优化操作
sess.run(train_op, feed_dict={x:batch[0], y:batch[1]}) # 第二步：构建main()函数, 循环学习率，循环use_two_conv以及use_two_fc
def main():
for learning_rate in [1E-4]:
for use_two_conv in [True]:
for use_two_fc in [True]:
# 第三步：构建basename,将学习率和use_two_conv和use_two_fc组合成字符串
hparam = make_hparam_string(learning_rate, use_two_conv, use_two_fc)
# 第四步:构建网络模型，将学习率，是否使用两个卷积层，是否使用两个全连接层，以及文件的basename传入
mnist_model(learning_rate, use_two_conv, use_two_fc, hparam) # 第五步：执行函数
if __name__ == '__main__':
main()
进入到tensorboard路径下，输入tensorboard --logdir=./test3
writer.add_graph(sess.graph)结构图 tf.summary.scalar趋势折线图 tf.summary.image 前几个图像
tf.summary.distribution参数分布图 tf.summary.histgraph参数直方图
第二部分：对不同的参数做一个对比，上述的代码只要循环处发生了改变
for learning_rate in [1E-4,1E-3,1E-2]:
# Include "False" as a value to try different model architectures
for use_two_fc in [True,False]:
for use_two_conv in [True,False]:
for iter_num in [1000,2000,5000]:
我们可以根据获得的结果，可以使用tersorboard进行参数的筛选
