Tensorflow命名空间与计算图可视化

觉得有用的话,欢迎一起讨论相互学习~Follow Me

参考文献

参考文献Tensorflow实战Google深度学习框架

实验平台:

Tensorflow1.4.0

python3.5.0

• Tensorflow可视化得到的图并不仅是将Tensorflow计算图中的节点和边直接可视化，它会根据每个Tensorflow计算节点的命名空间来整理可视化得到效果图，使得神经网络的整体结构不会被过多的细节所淹没。除了显示Tensorflow计算图的结构，Tensorflow还可以展示Tensorflow计算节点上的信息进行描述统计，包括频数统计和分布统计。
• 为了更好的组织可视化效果图中的计算节点，Tensorboard支持通过Tensorflow命名空间来整理可视化效果图上的节点。在Tensorboard的默认视图中，Tensorflow计算图中同一个命名空间下的所有节点会被缩略为一个节点，而顶层命名空间的节点才会被显示在Tensorboard可视化效果图中。

tf.variable_scope和tf.name_scope函数区别

• tf.variable_scope和tf.name_scope函数都提供了命名变量管理的功能，这两个函数在大部分情况下是等价的，唯一的区别在于使用tf.get_variable函数时:

import tensorflow as tf
# 不同的命名空间
with tf.variable_scope("foo"):
    # 在命名空间foo下获取变量"bar",于是得到的变量名称为"foo/bar"
    a = tf.get_variable("bar", [1])
    print(a.name)
    # foo/bar:0
with tf.variable_scope("bar"):
    # 在命名空间bar下获取变量"bar",于是得到的变量名称为"bar/bar".此时变量在"bar/bar"和变量"foo/bar"并不冲突，于是可以正常运行
    b = tf.get_variable("bar", [1])
    print(b.name)
    # bar/bar:0
#  tf.Variable和tf.get_variable的区别。

with tf.name_scope("a"):
    # 使用tf.Variable函数生成变量时会受到tf.name_scope影响，于是这个变量的名称为"a/Variable"
    a = tf.Variable([1])
    print(a.name)
    # a/Variable: 0

    # tf.get_variable函数不受头tf.name_scope函数的影响，于是变量并不在a这个命名空间中
    a = tf.get_variable("b", [1])
    print(a.name)
    # b:0

# with tf.name_scope("b"):
    # 因为tf.get_variable不受tf.name_scope影响,所以这里将试图获取名称为"a"的变量。然而这个变量已经被声明了,于是这里会报重复声明的错误。
    # tf.get_variable("b",[1])

• 通过对变量命名空间进行管理，使用Tensorboard查看模型的结构时更加清晰

import tensorflow as tf
with tf.name_scope("input1"):
    input1 = tf.constant([1.0, 2.0, 3.0], name="input2")
with tf.name_scope("input2"):
    input2 = tf.Variable(tf.random_uniform([3]), name="input2")
output = tf.add_n([input1, input2], name="add")

writer = tf.summary.FileWriter("log/simple_example.log", tf.get_default_graph())
writer.close()

• 这样程序中定义的加法运算都被清晰的展示出来，并且变量初始化等基本操作都被折叠起来。

• 点击input2上的加号按钮，能够看到关于input2变量初始化的全过程。

原文地址：https://www.cnblogs.com/cloud-ken/p/9320481.html