代碼如下：

#tf可以認(rèn)為是全局變量，從該變量為類，從中取input_data變量 import tensorflow.examples.tutorials.mnist.input_data as input_data import tensorflow as tf #讀取數(shù)據(jù)集 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)#這里用CNN方法進(jìn)行訓(xùn)練 #函數(shù)定義部分 def weight_variable(shape):initial=tf.truncated_normal(shape,stddev=0.1)#隨機(jī)權(quán)重賦值，不過truncated_normal代表如果是2倍標(biāo)準(zhǔn)差之外的結(jié)果重新選取該值return tf.Variable(initial)def bias_variable(shape):initial=tf.constant(0.1,shape=shape)#偏置項return tf.Variable(initial)def conv2d(x,W):return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#SAME表示輸出補邊，這里輸出與輸入尺寸一致def max_pool_2x2(x):return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#ksize代表池化范圍的大小，stride為掃描步長# 這里是變量的占位符，一般是輸入輸出使用該部分 x=tf.placeholder(tf.float32,[None,784]) y_=tf.placeholder("float",[None,10]) x_image=tf.reshape(x,[-1,28,28,1])#-1表示自動計算該維度#該部分會說明tensorboard的使用，tensorboard會顯示常量、變量、結(jié)構(gòu)圖等 #這里做一些常見數(shù)據(jù)的顯示，如結(jié)構(gòu)圖的顯示，訓(xùn)練的loss，某個節(jié)點權(quán)重值的變化 #結(jié)構(gòu)圖的顯示，這里顯示是分部分的，第一層在建立時可以按照下面的方式#正常建立第一層 #W_conv1=weight_variable([5,5,1,32]) #b_conv1=bias_variable([32]) #h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1) #h_pool1=max_pool_2x2(h_conv1)#建立第一層，并指定該部分在tensorboard顯示 #這里在顯示時建立了兩層結(jié)構(gòu)，第二層結(jié)構(gòu)在part1的內(nèi)部結(jié)構(gòu)，放大后可以顯示，后續(xù)我們只著重大的模塊 with tf.name_scope('part1'):#指定顯示的結(jié)構(gòu)圖的部分with tf.name_scope('weights1'):W_conv1=weight_variable([5,5,1,32])with tf.name_scope('bias1'):b_conv1=bias_variable([32])with tf.name_scope('h_conv1'):h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)with tf.name_scope('h_pool1'):h_pool1=max_pool_2x2(h_conv1)#第二層 with tf.name_scope('part2'):W_conv2=weight_variable([5,5,32,64])b_conv2=bias_variable([64])h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)h_pool2=max_pool_2x2(h_conv2)#第三層，而且這里是全連接層 with tf.name_scope('part3'):with tf.name_scope('fcn1_dropout'):W_fc1=weight_variable([7*7*64,1024])b_fc1=bias_variable([1024])h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)#dropout，注意這里也是有一個輸入?yún)?shù)的，和x以及y一樣keep_prob=tf.placeholder(tf.float32)h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)with tf.name_scope('fcn2_softmax'):W_fc2=weight_variable([1024,10])b_fc2=bias_variable([10])y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)#之上是網(wǎng)絡(luò)顯示的部分# 評價函數(shù) cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv)) train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))tf.summary.scalar('cross_entropy',cross_entropy)#顯示優(yōu)化函數(shù)的變化 tf.summary.scalar('accuracy',accuracy)#顯示訓(xùn)練的準(zhǔn)確率# 啟動模型,Session建立這樣一個對象，然后指定某種操作，并實際進(jìn)行該步 init=tf.initialize_all_variables() sess=tf.Session() #之前只是指定了顯示的部分，我們需要將它們整合 merged=tf.summary.merge_all() #tensorboard信息需要寫到文件中，這里定義寫文件的部分writer writer=tf.summary.FileWriter("MNIST_board/", sess.graph) sess.run(init)#數(shù)據(jù)讀取部分 for i in range(1000):batch_xs, batch_ys = mnist.train.next_batch(50)#這里貌似是代表讀取50張圖像數(shù)據(jù)#run第一個參數(shù)是fetch，可以是tensor也可以是Operation，第二個feed_dict是替換tensor的值'''if i % 10 == 0:train_accuracy = accuracy.eval(feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})print("step:%d,accuracy:%g" % (i, train_accuracy))'''sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})#sess.run第一個參數(shù)是想要運行的位置，一般有train，accuracy，initdeng#第二個參數(shù)feed_dict，一般是輸入?yún)?shù)，該代碼里有x，y以及drop的參數(shù)if i%20==0 :print(i)print("train accuracy:%g"%sess.run(accuracy, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5}))result = sess.run(merged, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})#merged也是tf中的，也需要session的運行writer.add_summary(result, i)#這里代表寫入，因為只有單次所以應(yīng)該寫在循環(huán)中，不然會只有一次的結(jié)果 print("test accuracy:%g"%sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1}))writer.close()

具體的用法見注釋

可以看到運行結(jié)果：

然后anaconda?Prompt中輸入命令：

這樣應(yīng)該有網(wǎng)址出現(xiàn)，復(fù)制打開即可，不過貌似本人電腦缺少部分文件，一直沒有成功，也是比較心塞的

?

?

總結(jié)

以上是生活随笔為你收集整理的tensorflow学习（3.tensorboard的使用）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。