5、变量和可视化

 

---

 1、变量的创建

　变量也是一种op，是一种特殊的张量，能够进行存储持久化（用于保存参数，系数等），它的值就是张量，默认被训练

　　tf.Variable(initial_ value=None,name=None, trainable=True)  （name表示在可视化中显示的名字）

　　创建一个带值initial_value的新变量，initial_value初始值，可以是随机的值

• assign(value)

　　为变量分配一个新值，返回新值

• eval(session=None)

　　计算并返回此变量的值

• name 属性表示变量名字

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升

a = tf.constant([1,2,3,4,5])
var = tf.Variable(tf.random.normal([2,3],mean=0.0,stddev=1.0)) #random.normal从正态分布中输出随机值,平均值0.0，标准差1.0
print(a)
print(var)

输出 ：

Tensor("Const_1:0", shape=(5,), dtype=int32)
<tf.Variable 'Variable:0' shape=(2, 3) dtype=float32_ref>

 

---

2、变量的初始化  （变量在进行run时，必须先要进行初始化）

 没有进行初始化
 1 import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升

a = tf.constant([1,2,3,4,5])
var = tf.Variable(tf.random.normal([2,3],mean=0.0,stddev=1.0)) #random.normal从正态分布中输出随机值,平均值0.0，标准差1.0

 7 with tf.Session() as sess:
 8     print(sess.run([a,var]))

输出：

Attempting to use uninitialized value Variable 

---

 添加一个初始化所有变量的op（tf.global_variables_initializer()）在会话中开启

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升

a = tf.constant([1,2,3,4,5])
var = tf.Variable(tf.random.normal([2,3],mean=0.0,stddev=1.0)) #random.normal从正态分布中输出随机值,平均值0.0，标准差1.0

#在打印var之前必须做一个显示的初始化
init_op = tf.global_variables_initializer()  #不需要传入值

with tf.Session() as sess:
    sess.run(init_op)   #必须运行初始化op
    print(sess.run([a,var]))

输出：

[array([1, 2, 3, 4, 5]), array([[-0.11310391,  1.3286809 ,  0.06200764],
       [ 0.45713297, -0.33347377,  1.4530548 ]], dtype=float32)]

• 　变量的op能够持久化保存，普通张量的op是不行的
• 　当定义一个变量op的时候，一定要在会话中初始化

---

 

4、可视化Tensorboard

　将tensorflow图结构显示在web界面，程序图结构——>序列化为events事件文件——>通过tensorboard工具显示到web界面

• 数据序列化-events文件

　　　　TensorBoard通过读取TensorFlow的事件文件来运行

• t.summary.FileWriter(" events事件文件的路径 ", graph= )  summary

　　　　返回filewriter,写入事件文件到指定目录(最好用绝对路径)，以提供给tensorboard使 用

• 开启

　　　　tensorboard -logdir= “events事件文件的路径"
　　　　一"般浏览器打开为127.0.0.1:6006
　　　　注:修改程序后，再保存一遍会有新的事件文件， 打开默认为最新的。

①
 1 import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升

a = tf.constant([1,2,3,4,5])
var = tf.Variable(tf.random.normal([2,3],mean=0.0,stddev=1.0)) #random.normal从正态分布中输出随机值,平均值0.0，标准差1.0

#在打印var之前必须做一个显示的初始化
init_op = tf.global_variables_initializer()  #不需要传入值

with tf.Session() as sess:
    sess.run(init_op)  #必须运行初始化op

    #把程序的图结构写入事件文件中,graph:把指定的图写进事件文件当中（这个图的获取方式有很多种）, summary 摘要
    fileWriter = tf.summary.FileWriter("E:/pythonprogram/deepLearning/base/visual/",graph=sess.graph) #返回一个实例
    print(sess.run([a,var]))

输出：

[array([1, 2, 3, 4, 5]), array([[ 1.3283709 ,  0.04997791, -0.25768515],
       [ 0.12506656, -0.48526055,  0.06624609]], dtype=float32)]

② 同时在写入事件的目录中生成了一个events文件

③ 接下来使用tensorboard将事件文件读到web中（如果有多个事件，会自动按照时间读取最近的一次事件进行读取）

• 首先在命令行输入 :  tensorboard --logdir="E:/pythonprogram/deepLearning/base/visual/"   (注意是自己的events文件目录)

•  在浏览器的地址栏输入 http://LAPTOP-3O0EGQPQ:6006/    （在③中的输出提示）
•  浏览器显示如下  ，左下角是一些图的符号的对应标记类型

　　　　①GRAPHS  显示程序的图结构 

　　　　②SCALARS  显示0维度的值，即数值，标量

　　　　③HISTOGRAMS  显示高维度的值（如权重，偏置等）

　　　　④每个参数中都有一个name，它的作用是在tensorboard中显示设定的名字

　　

• 每个op对应的常数的张量

• 符号的意义

 

• name设置，主要是为了能在web中分清变量

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升

a = tf.constant(2.0,name='a')
b = tf.constant(3.0,name='b')
c = tf.add(a,b,name='c')

with tf.compat.v1.Session() as sess:
    fileWriter = tf.summary.FileWriter("E:/pythonprogram/deepLearning/base/visual/",graph=sess.graph)  
    print(sess.run(c))

tensorboard显示：