TensorFlow可视化工具TensorBoard默认图与自定义图

目录
  • 一、图
    • 1、默认图
      • 1、调用方法查看默认图属性
      • 2、.graph查看图属性
      • 代码
    • 2、自定义图(创建图)
      • 1、创建自定义图
      • 2、创建静态图
      • 3、开启会话(运行)
      • 4、查看自定义图
      • 代码
  • 二、TensorBoard可视化
    • 1、可视化处理
    • 2、 打开TensorBoard
      • 1、先移到文件夹的前面
      • 2、 打开TensorBoard(从文件中获取数据)
      • 3、打开给定的网址
  • 总代码

一、图

图:数据(张量Tenrsor)+ 操作(节点Operation) (静态)

图可以用:1、默认图;2、自定义图。

1、默认图

查看默认图的方式:

  • 1、调用方法:tf.get_default_graph()
  • 2、查看属性:.graph

1、调用方法查看默认图属性

# 方法一:调用方法
    default = tf.get_default_graph()
    print('default:', default)

2、.graph查看图属性

# 方法二:查看属性
    # 查看节点属性
    print('a的属性:', a.graph)
    print('c的属性:', c.graph)
    # 查看会话属性
    print('会话sess的图属性:', sess.graph)

可以发现这些图的地址都是同一个地址,是因为它们都是默认使用了默认图。

代码

# 查看默认图
def View_Graph():
    # 方法一:调用方法
    default = tf.get_default_graph()
    print('default:', default)
    # 方法二:查看属性
    # 查看节点属性
    print('a的属性:', a.graph)
    print('c的属性:', c.graph)
    # 查看会话属性
    print('会话sess的图属性:', sess.graph)

2、自定义图(创建图)

1、创建自定义图

# 1 创建自定义图
    new_graph = tf.Graph()
    print(new_graph)

2、创建静态图

 # 2 创建静态图(张量和节点)
    with new_graph.as_default():
        a = tf.constant(10)
        b = tf.constant(20)
        c = a + b
        print(c)

3、开启会话(运行)

# 3 开启对话(运行)
    with tf.Session(graph=new_graph) as sess:
        print('c=', sess.run(c))

4、查看自定义图

# 4 查看自定义图
    View_Graph(a, b, c, sess)
# 查看图
def View_Graph(a, b, c, sess):
    # 方法一:调用方法
    default = tf.get_default_graph()
    print('default:', default)

    # 方法二:查看属性
    # 查看节点属性
    print('a的属性:', a.graph)
    print('c的属性:', c.graph)
    # 查看会话属性
    print('会话sess的图属性:', sess.graph)

代码

# 自定义图
def Create_myGraph():
    # 1 创建自定义图
    new_graph = tf.Graph()
    print(new_graph)

    # 2 创建静态图(张量和节点)
    with new_graph.as_default():
        a = tf.constant(10)
        b = tf.constant(20)
        c = a + b
        print(c)

    # 3 开启对话(运行)
    with tf.Session(graph=new_graph) as sess:
        print('c=', sess.run(c))

    # 4 查看自定义图
    View_Graph(a, b, c, sess)

二、TensorBoard可视化

1、可视化处理

 tf.summary.FileWriter(path, graph=)
# 可视化
        tf.summary.FileWriter("C:\\Users\\Administrator\\Desktop\\summary", graph=sess.graph)            #path                                            图

2、 打开TensorBoard

在cmd中操作:

1、先移到文件夹的前面

cd C://Users//Administrator//Desktop

2、 打开TensorBoard(从文件中获取数据)

tensorboard --logdir=summary

3、打开给定的网址

http://localhost:6006/(cmd中给的网址)

得到可视化结果:

总代码

import tensorflow as tf
# 创建TensorFlow框架
def Create_Tensorflow():
    # 图(静态)
    a = tf.constant(2)  # 数据1(张量)
    b = tf.constant(6)  # 数据2(张量)
    c = a + b  # 操作(节点)
    # 会话(执行)
    with tf.Session() as sess:
        print('c=', sess.run(c))
        # 可视化
        tf.summary.FileWriter("C:\\Users\\Administrator\\Desktop\\summary", graph=sess.graph)
    # 查看默认图
    View_Graph(a, b, c, sess)
# 查看图
def View_Graph(a, b, c, sess):
    # 方法一:调用方法
    default = tf.get_default_graph()
    print('default:', default)
    # 方法二:查看属性
    # 查看节点属性
    print('a的属性:', a.graph)
    print('c的属性:', c.graph)
    # 查看会话属性
    print('会话sess的图属性:', sess.graph)
# 自定义图
def Create_myGraph():
    # 1 创建自定义图
    new_graph = tf.Graph()
    print(new_graph)
    # 2 创建静态图(张量和节点)
    with new_graph.as_default():
        a = tf.constant(10)
        b = tf.constant(20)
        c = a + b
        print(c)
    # 3 开启对话(运行)
    with tf.Session(graph=new_graph) as sess:
        print('c=', sess.run(c))
    # 4 查看自定义图
    View_Graph(a, b, c, sess)
if __name__ == '__main__':
    # 创建TensorFlow框架
    Create_Tensorflow()
    # 创建自定义图
    Create_myGraph()

以上就是TensorFlow可视化工具TensorBoard默认图与自定义图 的详细内容,更多关于TensorFlow可视化TensorBoard工具的资料请关注我们其它相关文章!

(0)

相关推荐

  • 入门tensorflow教程之TensorBoard可视化模型训练

    TensorBoard是用于可视化图形 和其他工具以理解.调试和优化模型的界面. 它是一种为机器学习工作流提供测量和可视化的工具. 它有助于跟踪损失和准确性.模型图可视化.低维空间中的项目嵌入等指标. 下面,我们使用MNIST 数据的图像分类模型 ,将首先导入所需的库并加载数据集. 模型的建立使用最简单的顺序模型 import tensorflow as tf (X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_

  • Tensorflow的可视化工具Tensorboard的初步使用详解

    当使用Tensorflow训练大量深层的神经网络时,我们希望去跟踪神经网络的整个训练过程中的信息,比如迭代的过程中每一层参数是如何变化与分布的,比如每次循环参数更新后模型在测试集与训练集上的准确率是如何的,比如损失值的变化情况,等等.如果能在训练的过程中将一些信息加以记录并可视化得表现出来,是不是对我们探索模型有更深的帮助与理解呢? Tensorflow官方推出了可视化工具Tensorboard,可以帮助我们实现以上功能,它可以将模型训练过程中的各种数据汇总起来存在自定义的路径与日志文件中,然后

  • Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

    Tensorboard: 如何更直观的观察数据在神经网络中的变化,或是已经构建的神经网络的结构.上一篇文章说到,可以使用matplotlib第三方可视化,来进行一定程度上的可视化.然而Tensorflow也自带了可视化模块Tensorboard,并且能更直观的看见整个神经网络的结构. 上面的结构图甚至可以展开,变成: 使用: 结构图: with tensorflow .name_scope(layer_name): 直接使用以上代码生成一个带可展开符号的一个域,并且支持嵌套操作: with tf

  • TensorBoard 计算图的可视化实现

    简介 tensorflow 配套的可视化工具, 将你的计算图画出来. 当训练一个巨大的网络的时候, 计算图既复杂又令人困惑. TensorBoard 提供了一系列的组件, 可以看到 learning rate 的变化, 看到 objective function 的变化. tfboard 读取 tf 运行时你记下的 events files, 来进行可视化. 这些 events files 包含了你记下的 summary data, 它是 protobuffer 格式, 并非文本文件. 推荐使用

  • TensorFlow可视化工具TensorBoard默认图与自定义图

    目录 一.图 1.默认图 1.调用方法查看默认图属性 2..graph查看图属性 代码 2.自定义图(创建图) 1.创建自定义图 2.创建静态图 3.开启会话(运行) 4.查看自定义图 代码 二.TensorBoard可视化 1.可视化处理 2. 打开TensorBoard 1.先移到文件夹的前面 2. 打开TensorBoard(从文件中获取数据) 3.打开给定的网址 总代码 一.图 图:数据(张量Tenrsor)+ 操作(节点Operation) (静态) 图可以用:1.默认图:2.自定义图

  • PyTorch 可视化工具TensorBoard和Visdom

    目录 一.TensorBoard 二.Visdom 一.TensorBoard TensorBoard 一般都是作为 TensorFlow 的可视化工具,与 TensorFlow 深度集成,它能够展现 TensorFlow 的网络计算图,绘制图像生成的定量指标图以及附加数据等. 此外,TensorBoard 也是一个独立工具,在 PyTorch 中也可使用它进行可视化. 1.安装: pip install tensorboard 2.启动: tensorboard --logdir="日志目录&

  • PyTorch 可视化工具TensorBoard和Visdom

    目录 一.TensorBoard 二.Visdom 一.TensorBoard TensorBoard 一般都是作为 TensorFlow 的可视化工具,与 TensorFlow 深度集成,它能够展现 TensorFlow 的网络计算图,绘制图像生成的定量指标图以及附加数据等. 此外,TensorBoard 也是一个独立工具,在 PyTorch 中也可使用它进行可视化. 1.安装: pip install tensorboard 2.启动: tensorboard --logdir="日志目录&

  • TensorFlow命名空间和TensorBoard图节点实例

    一,命名空间函数 tf.variable_scope tf.name_scope 先以下面的代码说明两者的区别 # 命名空间管理函数 ''' 说明tf.variable_scope和tf.name_scope的区别 ''' def manage_namespace(): with tf.variable_scope("foo"): # 在命名空间foo下获取变量"bar",于是得到的变量名称为"foo/bar". a = tf.get_varia

  • tensorflow可视化Keras框架中Tensorboard使用示例

    目录 Tensorboard详解 使用例子 1.loss和acc 2.权值直方图 3.梯度直方图 实现代码 Tensorboard详解 该类在存放在keras.callbacks模块中.拥有许多参数,主要的参数如下: 1.log_dir: 用来保存Tensorboard的日志文件等内容的位置 2.histogram_freq: 对于模型中各个层计算激活值和模型权重直方图的频率. 3.write_graph: 是否在 TensorBoard 中可视化图像. 4.write_grads: 是否在 T

  • Python可视化工具如何实现动态图表

    本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于菜J学Python ,作者J哥 前言 这次呢,我想讲讲地图可视化的内容,以前我也写过用Python的内置库绘制地图,但总感觉不够美观.如何才能在短时间内制作漂亮的可视化地图呢,我觉得Python+可视化工具是不错的选择. 以下动态可视化地图就是J哥亲手绘制,展现了一段时间内广州市企事业单位在网上商城采购商品的分布及随时间的变化. 接下来,将手把手教你如何绘制这个动态

  • IDEA集成JProfiler11可视化工具的详细流程(安装、集成、测试)

    以上是集成测试后的Jprofiler演示效果图 今晚想在IDEA中集成一下JProfiler11(现在有12版本了)工具,去网上看了下都是老版本IDEA,也没有合适的,工具都不是免费的.于是就自己一步步折磨,也是佩服自己,全程没有百度踩着坑集成成功了,现在是凌晨一点了,为了一步步演示我还得把安装得卸载了,想哭.还是想把这个早点分享给大家.要是你们集成成功了,给我点个关注或者点个赞就好了,哈哈哈,开始吧. 一.下载JProfiler11工具 这个版本2020 .1也是可以的.我还给你们找了miya

  • Python可视化工具Plotly的应用教程

    目录 一.简介 二.各图运用 1.柱状图 2.散点图 3.冒泡散点图 4.旭日图 5.地图图形 三.实战案例 一.简介 发展由来: 随着信息技术的发展和硬件设备成本的降低,当今的互联网存在海量的数据,要想快速从这些数据中获取更多有效的信息,数据可视化是重要的一环.对于Python语言来说,比较传统的数据可视化模块是Matplotlib,但它存在不够美观.静态性.不易分享等缺点,限制了Python在数据可视化方面的发展. 为了解决这个问题,新型的动态可视化开源模块Plotly应运而生.由于Plot

  • Python手绘可视化工具cutecharts使用实例

    这篇文章主要介绍了Python手绘可视化工具cutecharts使用实例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 今天,给大家介绍一个很酷的 Python 手绘风格可视化神包:cutecharts. 和 Matplotlib .pyecharts 等常见的图表不同,使用这个包可以生成下面这种看起来像手绘的各种图表,在一些场景下使用效果可能会更好. GitHub 地址:https://github.com/chenjiandongx/cut

随机推荐