Tensorflow搭建神经网络及使用Tensorboard进行可视化

时间：2017-03-08 21:19:58 阅读：288 评论：0 收藏：0 [点我收藏+]

标签：result 保存 line gdi import size images 添加 except

创建神经网络模型

1、构建神经网络结构，并进行模型训练

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt #python的结果可视化模块

"""定义一个添加神经层的函数
    inputs：输入数据
    in_size：输入神经元的个数
    out_size：输出神经元的个数
    activation_function：激活函数
"""
def add_layer(inputs, in_size, out_size, n_layer, activation_function=None):
    layer_name = ‘layer%s‘ % n_layer
    with tf.name_scope(layer_name):
        with tf.name_scope("wights"):
            Weights = tf.Variable(tf.random_normal([in_size, out_size]), name=‘W‘) #定义权重矩阵
            #tf.summary.histogram用于保存变量的变化
            tf.summary.histogram(layer_name+‘/weights‘, Weights)
        with tf.name_scope("biases"):
            biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name=‘b‘)#定义偏置
            tf.summary.histogram(layer_name + ‘/biases‘, biases)
        with tf.name_scope("Wx_plus_b"):
            Wx_plus_b = tf.matmul(inputs, Weights) + biases #预测出的值
        if activation_function is None:
            outputs = Wx_plus_b #线性激活
        else:
            outputs = activation_function(Wx_plus_b) #非线性激活
        tf.summary.histogram(layer_name + ‘/outputs‘, outputs)
        return outputs

"""创建数据"""
#定义输入，linspace产生等差数列，加上数据的维度,定义输入数据为300个例子
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# print(x_data.shape)
noise = np.random.normal(0, 0.05, x_data.shape) #定义噪声点
y_data = np.square(x_data) - 0.5 + noise # y=x_data*x_data - 0.5

"""定义网络
    输入层：1个神经元（使用输入的一个元素）
    隐藏层：定义10个神经元
    输出层：1个神经元（1个输入对应一个输出）
"""
#定义命名空间，使用tensorboard进行可视化
with tf.name_scope("inputs"):
    xs = tf.placeholder(tf.float32, [None, 1], name="x_input") #模型的输入x值
    ys = tf.placeholder(tf.float32, [None, 1], name="y_input") #模型的输入y值

#隐藏层
l1 = add_layer(xs, 1, 10, n_layer=1, activation_function=tf.nn.relu)
#输出层
prediction = add_layer(l1, 10, 1, n_layer=2, activation_function=None)

#损失函数
with tf.name_scope("loss"):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
                        reduction_indices=[1]))
    tf.summary.scalar(‘loss‘, loss) #用于观察常量的变化
#模型训练
with tf.name_scope("train"):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer() #初始化所有变量
with tf.Session() as sess:
    merged = tf.summary.merge_all()
    writer = tf.summary.FileWriter("logs/", sess.graph) #保存神经网络的所有的信息，方便浏览器访问
    sess.run(init)

    for i in range(1001):
        sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
        if i % 50 == 0:#每训练50次，合并一下结果
            result = sess.run(merged, feed_dict={xs: x_data, ys: y_data})
            writer.add_summary(result, i)
    """
    fig = plt.figure() #定义一个图片框
    ax = fig.add_subplot(1, 1, 1)
    ax.scatter(x_data, y_data) #输出样本值
    plt.ion() #防止plt后程序暂停
    plt.show() #一次输出，将程序暂停

    for i in range(1001):
        sess.run(train_step, feed_dict={xs:x_data,ys:y_data})
        if i % 50 == 0:
            # print(i, sess.run(loss, feed_dict={xs:x_data,ys:y_data}))
            try:
                ax.lines.remove(lines[0])  # 去除lines的第一个线条
            except Exception:
                pass
            prediction_value = sess.run(prediction, feed_dict={xs:x_data})
            lines = ax.plot(x_data, prediction_value, ‘r-‘, lw=5) #将预测的值plot上去
            plt.gca()
            plt.pause(0.1) #每0.1秒输出一次
    """