tensorflow 的 summary&tensorboard

在TensorFlow中,所有的操作只有当你执行,或者另一个操作依赖于它的输出时才会运行。

tf.scalar_summary(tags, values, collections=None, name=None)

产生一个标量summary values=1D           tags=1D string

tf.image_summary(tag, tensor, max_images=None, collections=None, name=None)

摘要就是图片形式了 可以在tensorboard中看到这些图片。

专门为图片而定义的summary,tensor必须是4D的

shape [batch_size, height, width, channels] 其中channels可以为1 3 4 分别对应 灰度 RGB GRBA

如果max_images是1 那么tag直接就是 tag/image 如果大于1 那就 依次 0 1 2 ......

tf.histogram_summary(tag, values, collections=None, name=None) 直方图

原文地址:https://www.cnblogs.com/nzmx123/p/8947511.html

时间: 2024-11-26 15:33:24

tensorflow 的 summary&tensorboard的相关文章

TensorFlow基础9——tensorboard显示网络结构

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt def add_layer(input,in_size,out_size,activation_function=None): with tf.name_scope('layer'): with tf.name_scope('Weights'): Weights = tf.Variable(tf.random_normal([in_size,out

TensorFlow(六):tensorboard网络结构

# MNIST数据集 手写数字 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 载入数据集 mnist=input_data.read_data_sets('MNIST_data',one_hot=True) # 每个批次的大小 batch_size=100 # 计算一共有多少个批次 n_batch=mnist.train.num_examples//batch_size #

TensorFlow 之 Summary 的用法

summary是TensorFlow可视化的工具,主要用到以下函数: 1.tf.summary.scalar() 2. tf.summary.merge_all() 3.tf.summary.FileWriter() tf.summary.scalar('loss', loss)   ## 用来搜集 loss 的数据,命名为 'loss' merge_summary = tf.summary.merge_all()  ## 这个函数可以将所有的 summary 全部保存到磁盘 train_wri

tensorflow学习笔记----TensorBoard讲解

TensorBoard简介 TensorBoard是TensorFlow自带的一个强大的可视化工具,也是一个Web应用程序套件.TensorBoard目前支持7种可视化,Scalars,Images,Audio,Graphs,Distributions,Histograms和Embeddings.其中可视化的主要功能如下. (1)Scalars:展示训练过程中的准确率.损失值.权重/偏置的变化情况. (2)Images:展示训练过程中记录的图像. (3)Audio:展示训练过程中记录的音频. (

TensorFlow(七):tensorboard网络执行

# MNIST数据集 手写数字 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 参数概要 def variable_summaries(var): with tf.name_scope('summaries'): mean=tf.reduce_mean(var) tf.summary.scalar('mean',mean)# 平均值 with tf.name_scope('s

搭建TensorFlow中碰到的一些问题(TensorBoard不是内部或外部指令也不是可运行的程序)~

一.windows10环境+pip python软件包(最新版)+Pycharm软件(过段时间在弄下CUDA和GPU吧) 直接使用pip指令来安装tensorflow软件(如果很久没有更新pip软件包的源时,可以先更新pip): pip install --upgrade pippip install tensorflow 等待一会就可以看到tensorflow已经安装好了,我的装好了,就是下面这个样子: 接下来配置Pycharm里面的工程索引头文件,配置为包含了TensorFlow的那个版本的

学习TensorFlow,TensorBoard可视化网络结构和参数

在学习深度网络框架的过程中,我们发现一个问题,就是如何输出各层网络参数,用于更好地理解,调试和优化网络?针对这个问题,TensorFlow开发了一个特别有用的可视化工具包:TensorBoard,既可以显示网络结构,又可以显示训练和测试过程中各层参数的变化情况.本博文分为四个部分,第一部分介绍相关函数,第二部分是代码测试,第三部分是运行结果,第四部分介绍相关参考资料. 一. 相关函数 TensorBoard的输入是tensorflow保存summary data的日志文件.日志文件名的形式如:e

01:一文入门谷歌深度学习框架Tensorflow

前期准备:安装好tensorflow1.0 Tensorflow API概要 Tensorflow提供了很多API. 最底层的API是Tensorflow core,推荐给机器学习的研究者或者那些想对模型有更好的掌控的大神们用- 较高层的API是在Tensorflow core的基础上封装建立的,肯定比Tensorflow core要更易学,更易使用啦-另外,较高层的API使得一些重复性的任务也更简单,并且在不同使用者中也更稳定. 比如高层API中有tf.contrib.learn, 可以帮助你

tensorboard基础使用

github上的tensorboard项目:https://github.com/tensorflow/tensorboard/blob/master/README.md 目录 基础介绍 基本使用 几种图 源码 一.基本介绍 tensorboard:一个网页应用,可以方便观察TensorFlow的运行过程和网络结构等(过程可视化) 工作流程 Summary Ops:从TensorFlow获取数据 Ops是指tf.matmul.tf.nn.relu等,也就是在TensorFlow图中的操作 执行过