做一个交易平台网站的成本,辽宁建设工程信息网招标软件,wordpress如何做产品展示页,互联网+TensorBoard常用函数和类http://t.csdn.cn/Hqi9c
TensorBoard可视化的过程:
①确定一个整体的图表,明确从这个图表中获取哪些数据的信息
②确定在程序的哪些节点、以什么样的方式进行汇总数据的运算,以记录信息,比如在反向传播定义以后,使用tf.summary.scalar记录损失值的变…TensorBoard常用函数和类http://t.csdn.cn/Hqi9c
TensorBoard可视化的过程:
①确定一个整体的图表,明确从这个图表中获取哪些数据的信息
②确定在程序的哪些节点、以什么样的方式进行汇总数据的运算,以记录信息,比如在反向传播定义以后,使用tf.summary.scalar记录损失值的变换
③运行所有的summary节点。由于一个程序中经常会有多个summary节点,为了减少一个一个手动启动的繁琐,可以使用tf.summary.merge_all将所有summary节点合并成一个节点,在启动运行
④使用tf.summary.FileWriter将运行后输出的数据保存到本地磁盘中
⑤运行整个程序,完成执行后,winR打开终端,输入tensorboard --logdir 文件上一级路径
以下是具体操作: 示例代码如下:
# -*- coding: utf-8 -*-Created on Mon Sep 25 20:07:18 2023author: ASUS
import tensorflow.compat.v1 as tf
import numpy as np
import matplotlib.pyplot as plt
import ostf.compat.v1.disable_eager_execution()#这个函数用于禁用 TensorFlow 2 中的即时执行模式以便能够使用 TensorFlow 1.x 的计算图执行方式。#1.准备数据
train_X np.linspace(-1, 1,100)#train_X 是一个从 -1 到 1 的等间距数组用作输入特征。
train_Y 5 * train_X np.random.randn(*train_X.shape) * 0.7#train_Y 是根据 train_X 生成的目标值在真实值的基础上加上了一些噪声。#2.搭建模型
#通过占位符定义
X tf.placeholder(float)#X 和 Y 是 TensorFlow 的占位符Placeholder用于在执行时提供输入和标签数据。
Y tf.placeholder(float)
#定义学习参数的变量
W tf.Variable(tf.compat.v1.random_normal([1]),nameweight)#W 和 b 是学习参数的变量可以被模型训练调整。
b tf.Variable(tf.zeros([1]),namebias)
#定义运算
z tf.multiply(X,W) b#z 是通过将输入特征 X 与权重 W 相乘并加上偏差 b 得到的预测值。
#定义损失函数
cost tf.reduce_mean(tf.square(Y - z))#cost 是损失函数计算预测值与真实值之间的平方差的平均值。
#定义学习率
learning_rate 0.01#learning_rate 是学习率用来控制优化算法在每次迭代中更新参数的步长。
#设置优化函数
optimizer tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)#optimizer 是梯度下降优化器用于最小化损失函数。#3.迭代训练
#初始化所有变量
init tf.global_variables_initializer()
#定义迭代参数
training_epochs 20#training_epochs 是迭代训练的轮数。
display_step 2#display_step 是控制训练过程中打印输出的步长。#定义保存路径
savedir log4/#启动Session
with tf.Session() as sess:#with tf.Session() as sess: 创建一个会话在该会话中执行计算图操作。sess.run(init)#sess.run(init) 运行初始化操作初始化所有变量。tf.summary.scalar(loss, cost)#合并所有的summarymerged_summary_op tf.summary.merge_all()#创建summary_write用于写文件summary_writer tf.summary.FileWriter(os.path.join(savedir,summary_log),sess.graph)for epoch in range(training_epochs):for(x,y) in zip(train_X,train_Y):sess.run(optimizer,feed_dict{X:x,Y:y})#sess.run(optimizer,feed_dict{X:x,Y:y}) 执行一次优化器操作将当前的输入特征 x 和标签值 y 传入模型。summary_str sess.run(merged_summary_op,feed_dict {X:x,Y:y})summary_writer.add_summary(summary_str,epoch)if epoch % display_step 0:#每隔 display_step 轮迭代打印一次损失值和当前的参数值。losssess.run(cost,feed_dict{X:train_X,Y:train_Y})#测试模型print(Epoch:,epoch1,cost,loss,W,sess.run(W),b,sess.run(b))print(Finished!)#使用 matplotlib 库绘制训练数据点和拟合直线。plt.plot(train_X,train_Y,ro,labelOriginal data)#绘制原始数据点。plt.plot(train_X,sess.run(W)*train_Xsess.run(b),--,labelFittedline)#绘制拟合的直线。plt.legend()#添加图例。plt.show()#显示图形。#4.利用模型print(x0.2,z,sess.run(z,feed_dict{X:0.2}))#使用训练好的模型传入输入特征 0.2 来计算预测值 z。 运行后会生成文件如下 winR打开终端,输入tensorboard --logdir C:\Users\ASUS\.spyder-py3\log4\summary_log 复制其中的http://localhost:6006/,打开浏览器跳转来到tensorboard可视化界面,如下: Tensorboard显示图片示例http://t.csdn.cn/Ok1w5
