tensorboard的简单使用

首先保证你已有程序，下面是MLP实现手写数字分类模型的代码实现。

不懂的可以对照注释理解。

#输入数据是28*28大小的图片，输出为10个类别，隐层大小为300个节点
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
sess = tf.InteractiveSession()

x = tf.placeholder(dtype=tf.float32,shape=[None,784])
y_ = tf.placeholder(dtype=tf.float32,shape=[None,10])
image_reshaped_input = tf.reshape(x,[-1,28,28,1])
tf.summary.image('input',image_reshaped_input,10)
#tf.summary.image()用于将图像类型的tensor添加在Summary协议缓冲区中
#其本质就是将tensor统计存储，用于将来展示在tensorboard上
#在计算图中添加了一个新的节点，第一个参数是节点名称，第二个参数是接收的tensor
#第三个参数是最大存储的图像数目，此处指定为10，表明最多存储10个图像
#tf.summary.image()接受的tensor形状必须为[batch_size,height,width,channels]，
#所以上面才对输入数据进行了reshape()操作
#channels为1时，图像被解析为灰度图，为3时解析为RGB图像，为4时解析为RGBA图像

W1 = tf.Variable(tf.truncated_normal([784,300],stddev=0.1))
b1 = tf.Variable(tf.zeros([300]))
hidden1 = tf.nn.relu(tf.matmul(x,W1)+b1)
keep_prob = tf.placeholder(tf.float32)
hidden1_drop = tf.nn.dropout(hidden1,keep_prob)

W2 = tf.Variable(tf.zeros([300,10]))
b2 = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(hidden1_drop,W2)+b2)
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
tf.summary.scalar("cross_entropy",cross_entropy)
#tf.summary.scalar()用于将标量类型的tensor统计存储，形成折线图，用于可视化
#在计算图中添加了一个新的节点，第一个参数是节点名称，第二个参数是接收的tensor

train_step = tf.train.AdagradOptimizer(0.3).minimize(cross_entropy)
prediction_result = tf.argmax(y,1)
tf.summary.histogram("prediction_result",prediction_result)
#t.summary.histogram()用于将向量类型的tensor统计存储，形成直方图，用于可视化
#在计算图中添加了一个新的节点，第一个参数是节点名称，第二个参数是接收的tensor

correct_prediction = tf.equal(tf.argmax(y_,1),prediction_result)
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
tf.summary.scalar("accuracy",accuracy)
merged = tf.summary.merge_all()
#这一步操作的意义在于：如前所述，所有的summary操作本质上是graph中的一个节点
#tensorflow程序运行的时候，由于计算其他的变量不需要用到summary的结果，所以需要指定运行每一个summary
#如如果程序中定义了多个summary，那么每一个summary都需要运行一次，写起来太麻烦
#tf.summary.merge_all()可以将所有的summary操作拼成一个，这样只需要运行一次即可

writer = tf.summary.FileWriter("./logs",sess.graph)
#这一步将计算图以event文件的格式存入了./logs文件夹当中
#注意此时会话尚未开始执行，所有变量也都未初始化，所以实际上之前定义的summary还统计不到任何信息

tf.global_variables_initializer().run()
for i in range(3000):
    batch_xs,batch_ys = mnist.train.next_batch(100)
    _,summary = sess.run((train_step,merged),feed_dict={x:batch_xs,y_:batch_ys,keep_prob:0.75})
    #需要对merged的所有summary执行sess.run()的操作，才可以确保数据流入了统计图中
    writer.add_summary(summary,i)
    #writer的add_summary()方法将某一个step的summary统计结果添加到了event文件中，i是step数
    #这里实际上就是将每一个step的数据都添加到了event文件当中
    #由此我们也理解了summary起到的统计的作用，实际上其统计的就是某一个tensor在不同的时刻的值的变化情况
    #tf.summary.scalar将标量统计为折线图，tf.summary.histogram将向量统计为直方图
print("The final resultis"+str(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels,keep_prob:1.0})))