TensorBoard 计算图的查看方式

TensorBoard 计算图的查看方式

在 TensorFlow 中,我们可以使用 TensorBoard 查看计算图。本文将详细讲解如何使用 TensorBoard 查看计算图,并提供两个示例说明。

示例1:使用 TensorBoard 查看计算图

在 TensorFlow 中,我们可以使用 tf.summary.FileWriter() 函数将计算图写入 TensorBoard。以下是使用 TensorBoard 查看计算图的示例代码:

import tensorflow as tf

# 定义计算图
x = tf.placeholder(tf.float32, [None, 784], name='x')
W = tf.Variable(tf.zeros([784, 10]), name='W')
b = tf.Variable(tf.zeros([10]), name='b')
y = tf.nn.softmax(tf.matmul(x, W) + b, name='y')

# 将计算图写入 TensorBoard
writer = tf.summary.FileWriter('logs/', tf.get_default_graph())
writer.close()

在这个示例中,我们首先定义了一个简单的计算图,并使用 tf.summary.FileWriter() 函数将计算图写入 TensorBoard。然后,我们关闭了写入器。

接下来,我们可以在命令行中输入以下命令,启动 TensorBoard:

tensorboard --logdir=logs/

然后,我们可以在浏览器中输入以下地址,查看计算图:

http://localhost:6006/

示例2:使用 TensorBoard 查看 Keras 模型计算图

在 Keras 中,我们可以使用 tf.keras.callbacks.TensorBoard() 回调函数将计算图写入 TensorBoard。以下是使用 TensorBoard 查看 Keras 模型计算图的示例代码:

import tensorflow as tf

# 加载数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 定义 TensorBoard 回调函数
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='logs/')

# 训练模型
model.fit(x_train, y_train, epochs=5, callbacks=[tensorboard_callback])

# 查看计算图
# 在命令行中输入以下命令,启动 TensorBoard:
# tensorboard --logdir=logs/
# 然后,在浏览器中输入以下地址,查看计算图:
# http://localhost:6006/

在这个示例中,我们首先加载了 MNIST 数据集,并定义了一个简单的 Keras 模型。然后,我们使用 tf.keras.callbacks.TensorBoard() 回调函数将计算图写入 TensorBoard。接着,我们训练模型,并在训练模型时,使用 TensorBoard 回调函数。最后,我们可以在命令行中输入以下命令,启动 TensorBoard,并在浏览器中查看计算图。

结语

以上是 TensorBoard 计算图的查看方式的详细攻略,包括使用 tf.summary.FileWriter() 函数将计算图写入 TensorBoard 和使用 tf.keras.callbacks.TensorBoard() 回调函数将 Keras 模型计算图写入 TensorBoard 两种方法,并提供了两个示例。在实际应用中,我们可以根据具体情况来选择合适的方法,以查看计算图。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:TensorBoard 计算图的查看方式 - Python技术站

(0)
上一篇 2023年5月16日
下一篇 2023年5月16日

相关文章

  • Tensorflow 踩的坑(一)

    上午,准备将一个数据集编码成TFrecord 格式。然后,总是报错,下面这个bug一直无法解决,无论是Google,还是github。出现乱码,提示: Invalid argument: Could not parse example input, value ‘#######’ 这个好像牛头不对马嘴,出现在控制台上最后的提示是: OutOfRangeErr…

    tensorflow 2023年4月8日
    00
  • 训练 SSD-Tensorflow 遇到的若干问题

    根据开源代码SSD-Tensorflow,训练数据的时候遇到若干问题,记录如下。 遇到的第一个问题 这个bug 无关 SSD-Tensorflow 本身。 首先制作 tfrecords 格式的数据,使用教程上指令: DATASET_DIR=./VOC2007/test/ OUTPUT_DIR=./tfrecords python tf_convert_dat…

    tensorflow 2023年4月8日
    00
  • tensorflow serving

    1.安装tensorflow serving    1.1确保当前环境已经安装并可运行tensorflow    从github上下载源码 git clone –recurse-submodules https://github.com/tensorflow/serving        进入到serving目录下的tensorflow运行./config…

    2023年4月6日
    00
  • TensorFlow导入数据集

    Keras为方便用户使用数据集,提供了一个函数keras.dateset.调用这个函数方便的使用数据集。 但不幸的是,数据源的网址被墙了,但我找到了MNIST数据集。 详细网址见: https://blog.csdn.net/Houchaoqun_XMU/article/details/78492718?utm_medium=distribute.pc_re…

    2023年4月6日
    00
  • tensorboard使用及tensorflow各层权重系数输出

    环境Python3.7.5,tensorflow、tensorboard均为1.14.0 首先,读取meta文件,ckpt文件夹内含有以下文件:   读取代码如下:(ckpt路径需要对应,本例中meta文件分为model.ckpt-0.meta及model.ckpt-7425.meta两组文件,ckpt路径分别到model.ckpt-0及model.ckpt…

    2023年4月8日
    00
  • tensorflow– Dataset创建数据集对象

    tf.data模块包含:  experimental 模块  Dataset 类  FixedLengthRecordDataset 类 TFRecordDataset 类 TextLineDataset 类 1 # author by FH. 2 # OverView: 3 # tf.data 4 # experimental —Modules 5 #…

    tensorflow 2023年4月5日
    00
  • biLSTM 函数调用 与模型参照 (Tensorflow)

    定义LSTM单元 lstm_cell_fw = tf.nn.rnn_cell.BasicLSTMCell(self.hidden_dim) lstm_cell_bw = tf.nn.rnn_cell.BasicLSTMCell(self.hidden_dim) 对比下图 其中(c_t)与(h_t)的维度是相同的, (dim(f_t)=dim(c_{t-1})…

    2023年4月6日
    00
  • tensorflow2.0 评估函数

    一,常用的内置评估指标 MeanSquaredError(平方差误差,用于回归,可以简写为MSE,函数形式为mse) MeanAbsoluteError (绝对值误差,用于回归,可以简写为MAE,函数形式为mae) MeanAbsolutePercentageError (平均百分比误差,用于回归,可以简写为MAPE,函数形式为mape) RootMeanS…

    tensorflow 2023年4月6日
    00
合作推广
合作推广
分享本页
返回顶部