TensorFlow保存TensorBoard图像操作

简单的代码：

import tensorflow as tf

In [2]: matrix1=tf.constant([[3.,3.]])
In [3]: matrix2=tf.constant([[2.],[2.]])

with tf.Session() as sess:
  ...:   writer = tf.summary.FileWriter('./graph', sess.graph)
  ...:   result = sess.run(tf.matmul(matrix1, matrix2))
  ...:   writer.close()

ipython中使用！+命令可以直接运行terminal命令。

terminal输入： tensorboard --logdir graph/

跳出：Starting TensorBoard 54 at http://amax:6006

在浏览器输入地址加端口号并在graph中查看。

补充知识：tensorflow 利用保存的meta图文件生成log供tensorboard可视化 保存恢复模型

tensorboard可视化图：

import tensorflow as tf
g = tf.Graph()
with g.as_default() as g:
  tf.train.import_meta_graph('criteo_80.meta') 

with tf.Session(graph=g) as sess:
  file_writer = tf.summary.FileWriter(logdir='./', graph=g)

保存恢复模型：

# 建模型
saver = tf.train.Saver()

with tf.Session() as sess:
  # 存模型，注意此处的model是文件名非路径
  saver.save(sess, "/tmp/model")

with tf.Session() as sess:
  # 恢复模型
  saver.restore(sess, "/tmp/model")
# 先恢复图
saver = tf.train.import_meta_graph("/tmp/model.meta")

with tf.Session() as sess:
  # 再恢复参数
  saver.restore(sess, "/tmp/model")

以上这篇TensorFlow保存TensorBoard图像操作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，也希望大家多多支持我们。

赞 (0)

相关推荐

  • 初探TensorFLow从文件读取图片的四种方式

    本文记录一下TensorFLow的几种图片读取方法,官方文档有较为全面的介绍. 1.使用gfile读图片,decode输出是Tensor,eval后是ndarray import matplotlib.pyplot as plt import tensorflow as tf import numpy as np print(tf.__version__) image_raw = tf.gfile.FastGFile('test/a.jpg','rb').read() #bytes img =

  • tensorflow2.0保存和恢复模型3种方法

    方法1:只保存模型的权重和偏置 这种方法不会保存整个网络的结构,只是保存模型的权重和偏置,所以在后期恢复模型之前,必须手动创建和之前模型一模一样的模型,以保证权重和偏置的维度和保存之前的相同. tf.keras.model类中的save_weights方法和load_weights方法,参数解释我就直接搬运官网的内容了. save_weights( filepath, overwrite=True, save_format=None ) Arguments: filepath: String,

  • python使用tensorflow保存、加载和使用模型的方法

    使用Tensorflow进行深度学习训练的时候,需要对训练好的网络模型和各种参数进行保存,以便在此基础上继续训练或者使用.介绍这方面的博客有很多,我发现写的最好的是这一篇官方英文介绍: http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/ 我对这篇文章进行了整理和汇总. 首先是模型的保存.直接上代码: #!/usr/bin/env python #-*- c

  • TensorFlow模型保存/载入的两种方法

    TensorFlow 模型保存/载入 我们在上线使用一个算法模型的时候,首先必须将已经训练好的模型保存下来.tensorflow保存模型的方式与sklearn不太一样,sklearn很直接,一个sklearn.externals.joblib的dump与load方法就可以保存与载入使用.而tensorflow由于有graph, operation 这些概念,保存与载入模型稍显麻烦. 一.基本方法 网上搜索tensorflow模型保存,搜到的大多是基本的方法.即 保存 定义变量 使用saver.s

  • TensorFlow保存TensorBoard图像操作

    简单的代码: import tensorflow as tf In [2]: matrix1=tf.constant([[3.,3.]]) In [3]: matrix2=tf.constant([[2.],[2.]]) with tf.Session() as sess: ...: writer = tf.summary.FileWriter('./graph', sess.graph) ...: result = sess.run(tf.matmul(matrix1, matrix2)) .

  • OpenCvSharp图像的修改和保存以及掩膜操作

    一 :图像的颜色空间转换 在OpenCvSharp中颜色转换函数为:Cv2.CvtColor() 参数: 参数 说明 src: 源图像,8位无符号,16位无符号或单精度浮点 dst: 输出图像,具有与src相同的大小和深度 code: 颜色空间转换代码:(ColorConversionCodes)枚举类型 代码: static void Main(string[] args) { Mat src = new Mat(@"C:\Users\whx\Desktop\opcvImage\s1.jpg

  • 对Tensorflow中tensorboard日志的生成与显示详解

    TensorBoard是TensorFlow下的一个可视化的工具,能够帮助我们在训练大规模神经网络过程中出现的复杂且不好理解的运算.TensorBoard能展示你训练过程中绘制的图像.网络结构等. 1. 构建简单的TensorBoard日志输出 import tensorflow as tf input1 = tf.constant([1.0, 2.0, 3.0], name="input1") input2 = tf.Variable(tf.random_uniform([3], n

  • 2014年10个最佳的PHP图像操作库

    2014年10个最佳的PHP图像操作库

    Thomas Boutell 以及众多的开发者创造了以GD图形库闻名的一个图形软件库,用于动态的图形计算. GD提供了对于诸如C, Perl, Python, PHP, OCaml等等诸多编程语言的支持. 除了生成HTML输出之外, 你还可以使用php以众多的像 PNG, JPEG, GIF, WBMP,以及 XPM这样的图形文件格式来创建和计算图形文件. 并且,php的使用还能让你可以直接向一个浏览器输出图像流. 为了做到这一点,你需要借助于GD库图像功能的使用来编译php. 在这篇文章中,你

  • 将keras的h5模型转换为tensorflow的pb模型操作

    背景:目前keras框架使用简单,很容易上手,深得广大算法工程师的喜爱,但是当部署到客户端时,可能会出现各种各样的bug,甚至不支持使用keras,本文来解决的是将keras的h5模型转换为客户端常用的tensorflow的pb模型并使用tensorflow加载pb模型. h5_to_pb.py from keras.models import load_model import tensorflow as tf import os import os.path as osp from kera

  • keras 模型参数,模型保存,中间结果输出操作

    我就废话不多说了,大家还是直接看代码吧~ ''' Created on 2018-4-16 ''' import keras from keras.models import Sequential from keras.layers import Dense from keras.models import Model from keras.callbacks import ModelCheckpoint,Callback import numpy as np import tflearn im

  • 在Tensorflow中实现leakyRelu操作详解(高效)

    从github上转来,实在是厉害的想法,什么时候自己也能写出这种精妙的代码就好了 原地址:简易高效的LeakyReLu实现 代码如下: 我做了些改进,因为实在tensorflow中使用,就将原来的abs()函数替换成了tf.abs() import tensorflow as tf def LeakyRelu(x, leak=0.2, name="LeakyRelu"): with tf.variable_scope(name): f1 = 0.5 * (1 + leak) f2 =

  • 详解Python+OpenCV进行基础的图像操作

    详解Python+OpenCV进行基础的图像操作

    目录 介绍 形态变换 腐蚀 膨胀 创建边框 强度变换 对数变换 线性变换 去噪彩色图像 使用直方图分析图像 介绍 众所周知,OpenCV是一个用于计算机视觉和图像操作的免费开源库. OpenCV 是用 C++ 编写的,并且有数千种优化的算法和函数用于各种图像操作.很多现实生活中的操作都可以使用 OpenCV 来解决.例如视频和图像分析.实时计算机视觉.对象检测.镜头分析等. 许多公司.研究人员和开发人员为 OpenCV 的创建做出了贡献.使用OpenCV 很简单,而且 OpenCV 配备了许多工

  • python人工智能tensorflow函数tensorboard使用方法

    python人工智能tensorflow函数tensorboard使用方法

    目录 tensorboard相关函数及其常用参数设置 1 with tf.name_scope(layer_name): 2 tf.summary.histogram(layer_name+"/biases",biases) 3 tf.summary.scalar(“loss”,loss) 4 tf.summary.merge_all() 5 tf.summary.FileWriter(“logs/”,sess.graph) 6 write.add_summary(result,i)

  • Blender Python编程实现批量导入网格并保存渲染图像

    Blender Python编程实现批量导入网格并保存渲染图像

    目录 引言 导入库 移除默认对象和相机 添加多个 “猴头” 网格 创建相机 保存渲染的图像 引言 继上一篇 <Blender Python 编程:快速入门> 我们已经了解了 Blender Python 脚本的基本概念.接下来让我们了解如何用 Python 编程实现一些 有意思的功能(减轻部分工作量). Blender 并不是唯一一款允许你为场景编程和自动化任务的3D软件; 随着每一个新版本的推出,Blender 正逐渐成为一个可靠的 CG 制作一体化解决方案,从使用油脂铅笔的故事板到基于节点

随机推荐