TessorFlow学习 之 神经网络的构建

---

　　1.建立一个神经网络添加层

　　　　输入值、输入的大小、输出的大小和激励函数

　　　　学过神经网络的人看下面这个图就明白了，不懂的去看看我的另一篇博客

 def add_layer(inputs , in_size , out_size , activate = None):
     Weights = tf.Variable(tf.random_normal([in_size,out_size]))#随机初始化
     baises  = tf.Variable(tf.zeros([1,out_size])+0.1)#可以随机但是不要初始化为0，都为固定值比随机好点
     y = tf.matmul(inputs, Weights) + baises #matmul:矩阵乘法，multipy:一般是数量的乘法
     if activate:
         y = activate(y)
     return y

　　2.训练一个二次函数

 import tensorflow as tf
 import numpy as np

 def add_layer(inputs , in_size , out_size , activate = None):
     Weights = tf.Variable(tf.random_normal([in_size,out_size]))#随机初始化
     baises  = tf.Variable(tf.zeros([1,out_size])+0.1)#可以随机但是不要初始化为0，都为固定值比随机好点
     y = tf.matmul(inputs, Weights) + baises #matmul:矩阵乘法，multipy:一般是数量的乘法
     if activate:
         y = activate(y)
     return y
 if __name__ == '__main__':
     x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]#创建-1,1的300个数，此时为一维矩阵，后面转化为二维矩阵===[1,2,3]-->>[[1,2,3]]
     noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)#噪声是(1,300)格式,0-0.05大小
     y_data = np.square(x_data) - 0.5 + noise #带有噪声的抛物线

     xs = tf.placeholder(tf.float32,[None,1]) #外界输入数据
     ys = tf.placeholder(tf.float32,[None,1])

     l1 = add_layer(xs,1,10,activate=tf.nn.relu)
     prediction = add_layer(l1,10,1,activate=None)

     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))#误差
     train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#对误差进行梯度优化，步伐为0.1

     sess = tf.Session()
     sess.run( tf.global_variables_initializer())
     for i in range(1000):
         sess.run(train_step, feed_dict={xs: x_data, ys: y_data})#训练
         if i%50 == 0:
             print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))#查看误差

　　3.动态显示训练过程

　　　　显示的步骤程序之中部分进行说明，其它说明请看其它博客

 import tensorflow as tf
 import numpy as np
 import matplotlib.pyplot as plt

 def add_layer(inputs , in_size , out_size , activate = None):
     Weights = tf.Variable(tf.random_normal([in_size,out_size]))#随机初始化
     baises  = tf.Variable(tf.zeros([1,out_size])+0.1)#可以随机但是不要初始化为0，都为固定值比随机好点
     y = tf.matmul(inputs, Weights) + baises #matmul:矩阵乘法，multipy:一般是数量的乘法
     if activate:
         y = activate(y)
     return y
 if __name__ == '__main__':
     x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]#创建-1,1的300个数，此时为一维矩阵，后面转化为二维矩阵===[1,2,3]-->>[[1,2,3]]
     noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)#噪声是(1,300)格式,0-0.05大小
     y_data = np.square(x_data) - 0.5 + noise #带有噪声的抛物线
     fig = plt.figure('show_data')# figure("data")指定图表名称
     ax = fig.add_subplot(111)
     ax.scatter(x_data,y_data)
     plt.ion()
     plt.show()
     xs = tf.placeholder(tf.float32,[None,1]) #外界输入数据
     ys = tf.placeholder(tf.float32,[None,1])

     l1 = add_layer(xs,1,10,activate=tf.nn.relu)
     prediction = add_layer(l1,10,1,activate=None)

     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))#误差
     train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#对误差进行梯度优化，步伐为0.1

     sess = tf.Session()
     sess.run( tf.global_variables_initializer())
     for i in range(1000):
         sess.run(train_step, feed_dict={xs: x_data, ys: y_data})#训练
         if i%50 == 0:
             try:
                 ax.lines.remove(lines[0])
             except Exception:
                 pass
             prediction_value = sess.run(prediction, feed_dict={xs: x_data})
             lines = ax.plot(x_data,prediction_value,"r",lw = 3)
             print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))#查看误差
             plt.pause(2)
     while True:
         plt.pause(0.01)

　　 4.TensorBoard整体结构化显示

　　　　A.利用with tf.name_scope("name")创建大结构、利用函数的name="name"去创建小结构：tf.placeholder(tf.float32,[None,1],name="x_data")

　　　　B.利用writer = tf.summary.FileWriter("G:/test/",graph=sess.graph)创建一个graph文件

　　　　C.利用TessorBoard去执行这个文件

　　　　　　这里得注意--->>>首先到你存放文件的上一个目录--->>然后再去运行这个文件

　　　　　　tensorboard  --logdir=test

　　5.TensorBoard局部结构化显示　　

　　　　　　A. tf.summary.histogram(layer_name+"Weight",Weights)：直方图显示

　　　　 

　　　　 B.  tf.summary.scalar("Loss",loss):折线图显示，loss的走向决定你的网络训练的好坏，至关重要一点

　　　　　  C.初始化与运行设定的图表

 merge = tf.summary.merge_all()#合并图表
 writer = tf.summary.FileWriter("G:/test/",graph=sess.graph)#写进文件
 result = sess.run(merge,feed_dict={xs:x_data,ys:y_data})#运行打包的图表merge
 writer.add_summary(result,i)#写入文件，并且单步长50

　　　　 完整代码及显示效果：

 import tensorflow as tf
 import numpy as np
 import matplotlib.pyplot as plt

 def add_layer(inputs , in_size , out_size , n_layer = 1 , activate = None):
     layer_name = "layer" + str(n_layer)
     with tf.name_scope(layer_name):
         with tf.name_scope("Weights"):
             Weights = tf.Variable(tf.random_normal([in_size,out_size]),name="W")#随机初始化
             tf.summary.histogram(layer_name+"Weight",Weights)
         with tf.name_scope("Baises"):
             baises  = tf.Variable(tf.zeros([1,out_size])+0.1,name="B")#可以随机但是不要初始化为0，都为固定值比随机好点
             tf.summary.histogram(layer_name+"Baises",baises)
         y = tf.matmul(inputs, Weights) + baises #matmul:矩阵乘法，multipy:一般是数量的乘法
         if activate:
             y = activate(y)
         tf.summary.histogram(layer_name+"y_sum",y)
         return y
 if __name__ == '__main__':
     x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]#创建-1,1的300个数，此时为一维矩阵，后面转化为二维矩阵===[1,2,3]-->>[[1,2,3]]
     noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)#噪声是(1,300)格式,0-0.05大小
     y_data = np.square(x_data) - 0.5 + noise #带有噪声的抛物线
     fig = plt.figure('show_data')# figure("data")指定图表名称
     ax = fig.add_subplot(111)
     ax.scatter(x_data,y_data)
     plt.ion()
     plt.show()
     with tf.name_scope("inputs"):
         xs = tf.placeholder(tf.float32,[None,1],name="x_data") #外界输入数据
         ys = tf.placeholder(tf.float32,[None,1],name="y_data")
     l1 = add_layer(xs,1,10,n_layer=1,activate=tf.nn.relu)
     prediction = add_layer(l1,10,1,n_layer=2,activate=None)
     with tf.name_scope("loss"):
         loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))#误差
         tf.summary.scalar("Loss",loss)
     with tf.name_scope("train_step"):
         train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#对误差进行梯度优化，步伐为0.1

     sess = tf.Session()
     merge = tf.summary.merge_all()#合并
     writer = tf.summary.FileWriter("G:/test/",graph=sess.graph)
     sess.run( tf.global_variables_initializer())
     for i in range(1000):
         sess.run(train_step, feed_dict={xs: x_data, ys: y_data})#训练
         if i%100 == 0:
             result = sess.run(merge,feed_dict={xs:x_data,ys:y_data})#运行打包的图表merge
             writer.add_summary(result,i)#写入文件，并且单步长50

注意： 假设你的py文件中写了tf的summary，并且存放在了此目录下“D:\test\logs” 调出cmd，cd到D:\test，然后输入tensorboard –logdir=logs。一定要cd到logs这个文件夹的上一级，其他会出现No graph definition files were found.问题。

主要参考莫凡大大：https://morvanzhou.github.io/

可视化出现问题了，参考这位大神：http://blog.csdn.net/fengying2016/article/details/54289931