微信公眾號關注我，更多計算機知識告訴你！
1 import tensorflow as tf 2 import numpy as np 3 import matplotlib.pyplot as plt 4 5 #創建一個input數據，-1到1之間300個數，[:,np.newaxis]把x_data變成300維的 6 x_data=np.linspace(-1,1,300)[:,np.newaxis] 7 #添加噪點，把他變得更像真實數據 8 noise=np.random.normal(0,0.05,x_data.shape) 9 #創建一個input的數據 10 y_data=np.square(x_data)-0.5+noise
1 #這里定義了一個添加神經層的方法 2 def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): 3 #定義layer_name是為了在可視化中可以看到這個模塊的名字，這里傳入的 4 #n_layer代表我們現在正創建第幾個神經層 5 layer_name='layer%s' % n_layer 6 #在這里是我們layer_name模塊，可視化的時候我們可以看到結果 7 with tf.name_scope(layer_name): 8 with tf.name_scope('weights'): 9 #這里定義的weights模塊中，tf.random_normal方法從正態分布中輸出隨機值 10 #輸出形狀為[in_size，out_size]的矩陣，令其為初始值，名字為W 11 Weights=tf.Variable(tf.random_normal([in_size,out_size]),name='W') 12 #在這里將這個模塊命名為layer_name+weights 13 #並用tf.summary.histogram輸入到日志文件中 14 tf.summary.histogram(layer_name+'/weights',Weights) 15 16 with tf.name_scope('biases'): 17 #在這里另一個形狀為[1,out_size]的矩陣為初始值 18 #矩陣的每一個元素均為初始值 19 biases=tf.Variable(tf.zeros([1,out_size])+0.1,name='b') 20 tf.summary.histogram(layer_name+'/biases',biases) 21 22 with tf.name_scope('Wx_plus_b'): 23 #這里定義的模塊為Wx_plus_b 24 #之后加上biases時是矩陣的每一行都去加biases這個數組 25 Wx_plus_b=tf.matmul(inputs,Weights)+biases 26 #在這里如果沒有激活函數則直接輸出 27 #若有激活函數則用激活函數，然后給模塊命名 28 if activation_function is None: 29 outputs=Wx_plus_b 30 else: 31 outputs=activation_function(Wx_plus_b) 32 tf.summary.histogram(layer_name+'/outputs',outputs) 33 #sess=tf.Session() 34 return outputs
1 with tf.name_scope('inputs'): 2 #這里用tf.placeholder定義一個參數，方便后續為其傳值 3 xs=tf.placeholder(tf.float32,[None,1],name='x_input') 4 ys=tf.placeholder(tf.float32,[None,1],name='y_input')
1 #這里第一層輸入參數inputs=xs，Weights是一個1*10的矩陣 2 #激活函數為relu 3 l1=add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) 4 #這里第二層輸入參數inputs=l1，Weights是一個1*10的矩陣 5 #激活函數為空 6 prediction=add_layer(l1,10,1,n_layer=2,activation_function=None)
1 #這里定義了一個損失函數， 2 with tf.name_scope('loss'): 3 loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) 4 tf.summary.scalar('loss',loss) 5 #神經網絡優化器，這里使用了梯度下降法 6 #使用優化器去減少每一步的誤差 7 with tf.name_scope('train'): 8 train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
1 sess=tf.Session() 2 merged= tf.summary.merge_all() 3 #這里將神經網絡結構輸入到一個文件中 4 writer=tf.summary.FileWriter("logs/",sess.graph)
1 sess=tf.Session() 2 merged= tf.summary.merge_all() 3 #這里將神經網絡結構輸入到一個文件中 4 writer=tf.summary.FileWriter("logs/",sess.graph) 5 6 7 sess.run(tf.global_variables_initializer()) 8 for i in range(1000): 9 #開始訓練，設置迭代次數為1000次 10 #這里輸入的x_data參數為一個300*1的矩陣 11 #先在l1網絡層運算,將300*10的矩陣Wx_plus_b輸入到激活函數Relu中，然后輸出 12 #輸出結果也為300*10的矩陣 13 #然后在輸出層prediction 14 #輸入為300*10的矩陣，Weights為10*1的矩陣 15 #相乘后為300*1的矩陣然后加上1*1的biases 16 #輸出為300*91的矩陣 17 #然后與之前的y_data去做loss誤差分析 18 #計算誤差 19 sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) 20 if i % 50==0: 21 #每迭代50次輸出帶日志文件，將所有日志文件都merged合並起來 22 result=sess.run(merged,feed_dict={xs:x_data,ys:y_data}) 23 writer.add_summary(result,i) 24
博文中的圖都是tensorflow自帶的可視化部件tensorboard展示出來的。我們用
writer=tf.summary.FileWriter("logs/",sess.graph)
這個語句將結構輸出到文件中，打開命令行，敲上語句
tensorboard --logdir=C:\Users\yuanninesuns\Desktop\python\logs
將控制台輸出的這個網址敲到瀏覽器上就能看到可視化內容。