可视化网站建设软件(可视化网站开发工具)

　　AI科技评论按：本文作者 Jerry，原文载于作者个人博客，AI科技评论已获授权。

　　TensorBoard

　　如何更直观的观察数据在神经网络中的变化，或是已经构建的神经网络的结构，可以使用 matplotlib 第三方可视化，来进行一定程度上的可视化。然而Tensorflow也自带了可视化模块Tensorboard，并且能更直观的看见整个神经网络的结构。

　　上面的结构图甚至可以展开，变成：

　　使用

　　结构图：

　　with tensorflow .name_scope(layer_name):

　　直接使用以上代码生成一个带可展开符号的一个域，并且支持嵌套操作：

　　with tf.name_scope(layer_name):

　　with tf.name_scope('weights'):

　　节点一般是变量或常量，需要加一个“name=‘’”参数，才会展示和命名，如：

　　with tf.name_scope('weights'):

　　Weights = tf.Variable(tf.random_normal([in_size,out_size]))

　　结构图符号及意义：

　　变量：

　　变量则可使用Tensorflow.histogram_summary()方法：

　　tf.histogram_summary(layer_name+"/weights",Weights) #name命名，Weights赋值

　　常量：

　　常量则可使用Tensorflow.scalar_summary()方法：

　　tf.scalar_summary('loss',loss) #命名和赋值

　　展示：

　　最后需要整合和存储SummaryWriter：

　　#合并到Summary中

　　merged = tf.merge_all_summaries()

　　#选定可视化存储目录

　　writer = tf.train.SummaryWriter("/目录",sess.graph)

　　merged也是需要run的，因此还需要：

　　result = sess.run(merged) #merged也是需要run的

　　writer.add_summary(result,i)

　　执行：

　　运行后，会在相应的目录里生成一个文件，执行：

　　tensorboard --logdir="/目录"

　　会给出一段网址：

　　浏览器中打开这个网址即可，因为有兼容问题，firefox并不能很好的兼容，建议使用Chrome。

　　常量在Event中，结构图在Graphs中，变量在最后两个Tag中。

　　附项目代码

　　具体项目承接我博客里上一篇文章（https://blog.csdn.net/jerry81333/article/details/52979206）：

　　import tensorflow as tf

　　import numpy as np

　　def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): #activation_function=None线性函数

　　layer_name="layer%s" % n_layer

　　with tf.name_scope(layer_name):

　　with tf.name_scope('weights'):

　　Weights = tf.Variable(tf.random_normal([in_size,out_size])) #Weight中都是随机变量

　　tf.histogram_summary(layer_name+"/weights",Weights) #可视化观看变量

　　with tf.name_scope('biases'):

　　biases = tf.Variable(tf.zeros([1,out_size])+0.1) #biases推荐初始值不为0

　　tf.histogram_summary(layer_name+"/biases",biases) #可视化观看变量

　　with tf.name_scope('Wx_plus_b'):

　　Wx_plus_b = tf.matmul(inputs,Weights)+biases #inputs*Weight+biases

　　tf.histogram_summary(layer_name+"/Wx_plus_b",Wx_plus_b) #可视化观看变量

　　if activation_function is None:

　　outputs = Wx_plus_b

　　else:

　　outputs = activation_function(Wx_plus_b)

　　tf.histogram_summary(layer_name+"/outputs",outputs) #可视化观看变量

　　return outputs

　　#创建数据x_data，y_data

　　x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]区间，300个单位，np.newaxis增加维度

　　noise = np.random.normal(0,0.05,x_data.shape) #噪点

　　y_data = np.square(x_data)-0.5+noise

　　with tf.name_scope('inputs'): #结构化

　　xs = tf.placeholder(tf.float32,[None,1],name='x_input')

　　ys = tf.placeholder(tf.float32,[None,1],name='y_input')

　　#三层神经，输入层（1个神经元），隐藏层（10神经元），输出层（1个神经元）

　　l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隐藏层

　　prediction = add_layer(l1,10,1,n_layer=2,activation_function=None) #输出层

　　#predition值与y_data差别

　　with tf.name_scope('loss'):

　　loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值

　　tf.scalar_summary('loss',loss) #可视化观看常量

　　with tf.name_scope('train'):

　　train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差

　　init = tf.initialize_all_variables()

　　sess = tf.Session()

　　#合并到Summary中

　　merged = tf.merge_all_summaries()

　　#选定可视化存储目录

　　writer = tf.train.SummaryWriter("Desktop/",sess.graph)

　　sess.run(init) #先执行init

　　#训练1k次

　　for i in range(1000):

　　sess.run(train_step,feed_dict={xs:x_data,ys:y_data})

　　if i%50==0:

　　result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #merged也是需要run的

　　writer.add_summary(result,i) #result是summary类型的，需要放入writer中，i步数（x轴）

你是否想了解 TensorFlow 的更多内容？

　　近期，AI 研习社有幸邀请到 ThoughtWorks 佟达、白发川两位老师，他们将在 mooc.ai 平台推出一个“Tensorflow & 神经网络算法高级应用”系列培训课程，感兴趣的朋友千万不可错过！

　　ThoughtWorks

　　授课方 ThoughtWorks 是全球领先的 IT 咨询公司，联合国妇女儿童组织、世界卫生组织合作伙伴。总部在芝加哥，42 个办公室分布在全球的 15 个国家。

　　2012年，ThoughtWorks 排在 Google，Facebook 之前，被评为全球最难面试的公司。

　　2016 年，ThoughtWorks 力压群雄，获得全球“最佳女性科技人员雇主”奖项。

　　培训课介绍

　　从初级到高级，理论+实战，一站式深度了解 TensorFlow！

　　本课程面向深度学习开发者，讲授如何利用 TensorFlow 解决图像识别、文本分析等具体问题。课程跨度为 10 周，将从 TensorFlow 的原理与基础实战技巧开始，一步步教授学员如何在 TensorFlow 上搭建 CNN、自编码、RNN、GAN 等模型，并最终掌握一整套基于 TensorFlow 做深度学习开发的专业技能。

　　两名授课老师佟达、白发川身为 ThoughtWorks 的资深技术专家，具有丰富的大数据平台搭建、深度学习系统开发项目经验。

　　开课时间：4 月 25 日（星期二）开课，每周二、四晚 20：00-21：00

　　开课时长：总学时 20 小时，分 10 周完成，每周 2 次，每节课 1 小时。

　　线上授课，开放预约！