TensorFlow绘制loss/accuracy曲线的实例

接下来我将详细讲解“TensorFlow绘制loss/accuracy曲线的实例”的完整攻略，包含两条示例说明。

示例1：绘制loss曲线

在TensorFlow中，绘制loss曲线非常简单，我们只需要定义一个损失函数，然后使用TensorFlow的tf.summary模块记录每个epoch的损失值，最后使用TensorBoard绘制出loss曲线即可。

这里提供一个简单的例子来演示如何绘制loss曲线。

import tensorflow as tf
import numpy as np

# 定义输入数据
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

# 定义模型
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
y_pred = Weights * x_data + biases

# 定义损失函数，并使用tf.summary记录每个epoch的损失值
loss = tf.reduce_mean(tf.square(y_pred - y_data))
tf.summary.scalar('loss', loss)

# 训练模型
train_op = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

# 启动TensorFlow会话
with tf.Session() as sess:
    # 将tf.summary合并后的数据写入日志文件
    summary_op = tf.summary.merge_all()
    summary_writer = tf.summary.FileWriter('logs', sess.graph)

    sess.run(tf.global_variables_initializer())
    for step in range(201):
        sess.run(train_op)
        if step % 20 == 0:
            # 记录每个epoch的损失值
            summary_str = sess.run(summary_op)
            summary_writer.add_summary(summary_str, step)

上述代码中，我们定义了一个简单的线性回归模型，使用梯度下降优化器来训练模型，同时使用tf.summary模块记录每个epoch的损失值，并将记录的数据写入到日志文件中。我们可以通过运行以下命令启动TensorBoard来查看绘制出的loss曲线：

tensorboard --logdir=logs

然后在浏览器中打开http://localhost:6006，即可看到绘制出的loss曲线。

示例2：绘制accuracy曲线

同样地，我们可以利用TensorFlow的tf.summary模块来记录每个epoch的准确率，并使用TensorBoard绘制出准确率曲线。

以下是一个简单的分类模型来演示如何绘制accuracy曲线：

import tensorflow as tf
import numpy as np

# 定义输入数据
x_train = np.random.rand(100, 4)
y_train = np.eye(3)[np.random.randint(0, 3, (100,))]

# 定义模型
inputs = tf.placeholder(tf.float32, shape=[None, 4], name='inputs')
labels = tf.placeholder(tf.float32, shape=[None, 3], name='labels')
W = tf.Variable(tf.zeros([4, 3]), name='weights')
b = tf.Variable(tf.zeros([3]), name='biases')
y_logit = tf.matmul(inputs, W) + b
y_pred = tf.nn.softmax(y_logit)

# 定义损失函数，并使用tf.summary记录每个epoch的损失值和准确率
loss = tf.reduce_mean(-tf.reduce_sum(labels * tf.log(y_pred), reduction_indices=[1]))
accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(y_pred, 1), tf.argmax(labels, 1)), tf.float32))
tf.summary.scalar('loss', loss)
tf.summary.scalar('accuracy', accuracy)

# 训练模型
train_op = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

# 启动TensorFlow会话
with tf.Session() as sess:
    # 将tf.summary合并后的数据写入日志文件
    summary_op = tf.summary.merge_all()
    summary_writer = tf.summary.FileWriter('logs', sess.graph)

    sess.run(tf.global_variables_initializer())
    for step in range(201):
        sess.run(train_op, feed_dict={inputs: x_train, labels: y_train})
        if step % 20 == 0:
            # 记录每个epoch的损失值和准确率
            summary_str = sess.run(summary_op, feed_dict={inputs: x_train, labels: y_train})
            summary_writer.add_summary(summary_str, step)

在上述代码中，我们定义了一个简单的三分类模型，使用交叉熵损失函数来训练模型，并使用tf.summary模块记录每个epoch的损失值和准确率，并将记录的数据写入到日志文件中。我们可以通过运行以下命令启动TensorBoard来查看绘制出的accuracy曲线：

tensorboard --logdir=logs

然后在浏览器中打开http://localhost:6006，即可看到绘制出的accuracy曲线。