TensorFlow(六)：tensorboard網絡結構

# MNIST數據集 手寫數字
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 載入數據集
mnist=input_data.read_data_sets('MNIST_data',one_hot=True)
# 每一個批次的大小
batch_size=100
# 計算一共有多少個批次
n_batch=mnist.train.num_examples//batch_size

# 命名空間
with tf.name_scope('input'):
    # 定義兩個placeholder
    x=tf.placeholder(tf.float32,[None,784],name='x-input')
    y=tf.placeholder(tf.float32,[None,10],name='y-input')
    
with tf.name_scope('layer'):
    # 建立一個簡單的神經網絡
    with tf.name_scope('wights'):
        W=tf.Variable(tf.zeros([784,10]),name='W')
    with tf.name_scope('biases'):
        b=tf.Variable(tf.zeros([10]),name='b')
    with tf.name_scope('wx_plus_b'):
        wx_plus_b=tf.matmul(x,W)+b
    with tf.name_scope('softmax'):
        prediction=tf.nn.softmax(wx_plus_b)

with tf.name_scope('loss'):
    # 二次代價函數
    loss=tf.reduce_mean(tf.square(y-prediction))
with tf.name_scope('train'):
    # 使用梯度降低法
    train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

# 初始化變量
init=tf.global_variables_initializer()

with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        # 求最大值在哪一個位置，結果存放在一個布爾值列表中
        correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))# argmax返回一維張量中最大值所在的位置
    with tf.name_scope('accuracy'):
        # 求準確率
        accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) # cast做用是將布爾值轉換爲浮點型。
with tf.Session() as sess:
    sess.run(init)
    writer=tf.summary.FileWriter('logs/',sess.graph) # 寫入文件
    
    
    for epoch in range(1):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
        #求準確率
        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print('Iter:'+str(epoch)+',Testing Accuracy:'+str(acc))
        

注意：執行後會在當前目錄下生成logs文件夾。打開cmd，進入當前文件夾。輸入：tensorboard --logdir=C:\Users\FELIX\Desktop\tensor學習\logs

而後打開瀏覽器，輸入圖中的網址，就能夠查看了。

 

有好多TensorFlow中的信息等待探索。