上文里,我们做了一个网络,用于分类平面内的三类散点。这个网络的结构很清晰,但怎么可视化呢?根据教程中的指示,开始试试 Tensorboard (TB).
首先,感谢这篇写的很好的 Blog,在我的学习过程中帮助很大。
http://blog.csdn.net/aliceyangxi1987/article/details/71716596, 根据初步阅读学习,TB 的用法是在图生成与训练过程中,记录很多参数到文件。接着,TB 的可执行档会根据生成的文件开启本地的 web 服务器,从现代浏览器(老的不行,显卡驱动不兼容不行)上打开即可展现丰富的可视化元素。
由于有了前人的经验分享,避免了好多坑,比如:
1. 在指定文件夹时,一定要加最后的反斜杠,如 "./netdemo" 要写为 "./netdemo/"
2. 在启动控制台后,把当前文件夹 CD 到 netdemo 文件夹所在的父文件夹中可以避免输入含有中文的路径。注意一些版本的控制台似乎对中文支持不好。
根据教程,我们使用 with tf.name_scope('name'): 语法,定义多层的大纲,这样可以避免图显示的过于杂乱和没有条理。如:
- #--------------------------------------------------------------
- #create graph
- with tf.name_scope('network'):
- with tf.name_scope('input'):
- s1 = n
- #...
- with tf.name_scope('hidden1'):
- #...
可以按照自己的代码结构缩进,得到更好的多层效果。一旦分层,生成的图便可以逐级点开,如下图:
需要友好展示的变量,加入 name = 属性,这样在图中则会带上名字。比如:
- with tf.name_scope('hidden3'):
- s4 = 17
- W3 = tf.Variable(tf.random_uniform([s3,s4],-1,1),name="W3")
- b3 = tf.Variable(tf.random_uniform([1],-1,1),name="b3")
- z4 = tf.matmul(a3,W3) + b3*tf.ones([1,s4],name="z4")
- a4 = tf.nn.sigmoid(z4,name="a4")
注意,变量的名字并不影响执行。设置后,相应变量的名字就出现在图上:
在 sess.init() 后加入写入代码:
- #--------------------------------------------------------------
- ### create tensorflow structure end ###
- sess = tf.Session()
- sess.run(init) # Very important
- writer = tf.summary.FileWriter("./netdemo/")
- writer.add_graph(sess.graph)
注意!文件夹名后要加反斜杠!
好啦!那就开始吧!
- C:\Anaconda\projects>tensorboard --logdir C:\Anaconda\projects\netdemo
暂时不写程序啦!继续看视频学习数学知识——没有理论做基础,动手的方向是模糊的。现在经过第一阶段的理论学习 + 动手,基本算是刚刚从弱弱小白变为略知一丁点的小白:
1. 由理论学习,知道了神经网络最重要的就是训练技术,也就是梯度的反向加权传导的推导。
2. 由编程实践,发现 TS 竟然不用写偏导数计算这个步骤,于是思考为什么?原因难道是 TS 特有的规划计算 - 计算两步走策略。这个策略使得规划的图隐含带有了梯度的知识,这样 TS 就能自动知道梯度该怎么算!
3. 可视化验证,证明了 2 的猜测,看看下面训练与代价单元密密麻麻的梯度单元,就知道在产生图的时候,TS 已经帮我们做好啦!
所谓静态制图,就是尚未挖掘强大的 summary 功能,只是静态的把图的结构打印出来:
- from __future__ import print_function
- import tensorflow as tf
- import numpy as np
- n = 2 # 2 features
- m = 10240 # data sets
- K = 3 #3 output classes
- #generate a circle region at center and size is R
- center1 = np.random.rand(2).astype(np.float32)/4 + 0.5
- center2 = -1 * np.random.rand(2).astype(np.float32)/4 - 0.5
- r1 = np.random.rand(1).astype(np.float32) * 0.1 + 0.4
- r2 = np.random.rand(1).astype(np.float32) * 0.1 + 0.4
- print ("center1 = ",center1,",r1 = ", r1)
- print ("center2 = ",center2,",r2 = ", r2,"\n")
- print ("training...")
- #--------------------------------------------------------------
- #create graph
- with tf.name_scope('network'):
- with tf.name_scope('input'):
- s1 = n
- a1 = tf.placeholder(tf.float32,[None,s1],name="in")
- with tf.name_scope('hidden1'):
- s2 = 17
- W1 = tf.Variable(tf.random_uniform([s1,s2],-1,1),name="W1")
- b1 = tf.Variable(tf.random_uniform([1],-1,1),name="b1")
- z2 = tf.matmul(a1,W1) + b1*tf.ones([1,s2],name="z2")
- a2 = tf.nn.sigmoid(z2,name="a2")
- with tf.name_scope('hidden2'):
- s3 = 17
- W2 = tf.Variable(tf.random_uniform([s2,s3],-1,1),name="W2")
- b2 = tf.Variable(tf.random_uniform([1],-1,1),name="b2")
- z3 = tf.matmul(a2,W2) + b2*tf.ones([1,s3],name="z3")
- a3 = tf.nn.sigmoid(z3,name="a3")
- with tf.name_scope('hidden3'):
- s4 = 17
- W3 = tf.Variable(tf.random_uniform([s3,s4],-1,1),name="W3")
- b3 = tf.Variable(tf.random_uniform([1],-1,1),name="b3")
- z4 = tf.matmul(a3,W3) + b3*tf.ones([1,s4],name="z4")
- a4 = tf.nn.sigmoid(z4,name="a4")
- with tf.name_scope('hidden4'):
- s5 = 17
- W4 = tf.Variable(tf.random_uniform([s4,s5],-1,1),name="W4")
- b4 = tf.Variable(tf.random_uniform([1],-1,1),name="b4")
- z5 = tf.matmul(a4,W4) + b4*tf.ones([1,s5],name="z5")
- a5 = tf.nn.sigmoid(z5,name="a5")
- with tf.name_scope('output'):
- ##output
- s6 = 3
- W5 = tf.Variable(tf.random_uniform([s5,s6],-1,1),name="W5")
- b5 = tf.Variable(tf.random_uniform([1],-1,1),name="b5")
- z6 = tf.matmul(a5,W5) + b5*tf.ones([1,s6],name="z6")
- a6 = tf.nn.sigmoid(z6,name="out")
- with tf.name_scope('loss'):
- #--------------------------------------------------------------
- y_ = tf.placeholder(tf.float32,[None,K],name="tr_out")
- lamda = 0.0000001
- punish = lamda *(tf.reduce_sum(W1**2) + tf.reduce_sum(W2**2)
- + tf.reduce_sum(W3**2) + tf.reduce_sum(W4**2)
- + tf.reduce_sum(W5**2))
- loss = tf.reduce_mean(tf.square(a6-y_),name="loss") + punish
- with tf.name_scope('trainning'):
- optimizer = tf.train.AdamOptimizer(name="opt")
- train = optimizer.minimize(loss,name="train")
- init = tf.global_variables_initializer()
- #--------------------------------------------------------------
- ### create tensorflow structure end ###
- sess = tf.Session()
- sess.run(init) # Very important
- writer = tf.summary.FileWriter("./netdemo/")
- writer.add_graph(sess.graph)
- #generate trainning data between (-1,1)
- x_data = np.random.rand(m,n).astype(np.float32) * 2 - 1
- #calc the y for each training sets
- y_data = np.zeros([m,K]).astype(np.float32)
- for idx in range(m):
- if (x_data[idx,0] - center1[0])**2 + (x_data[idx,1] - center1[1])**2 <= r1**2:
- y_data[idx,1] = 1
- elif (x_data[idx,0] - center2[0])**2 + (x_data[idx,1] - center2[1])**2 <= r2**2:
- y_data[idx,2] = 1
- else:
- y_data[idx,0] = 1
- for step in range(10000):
- sess.run(train,feed_dict={a1:x_data,y_:y_data})
- if step % 1000 == 0:
- print(step, sess.run(loss,feed_dict={a1:x_data,y_:y_data}))
- #generate trainning data between (-1,1)
- x_data = np.random.rand(m,n).astype(np.float32) * 2 - 1
- #calc the y for each training sets
- y_data = np.zeros([m,K]).astype(np.float32)
- for idx in range(m):
- if (x_data[idx,0] - center1[0])**2 + (x_data[idx,1] - center1[1])**2 <= r1**2:
- y_data[idx,1] = 1
- elif (x_data[idx,0] - center2[0])**2 + (x_data[idx,1] - center2[1])**2 <= r2**2:
- y_data[idx,2] = 1
- else:
- y_data[idx,0] = 1
来源: http://blog.csdn.net/goldenhawking/article/details/74615266