Tensorboard的數(shù)據(jù)形式
Tensorboard可以記錄與展示以下數(shù)據(jù)形式：
（1）標(biāo)量Scalars
（2）圖片Images
（3）音頻Audio
（4）計算圖Graph
（5）數(shù)據(jù)分布Distribution
（6）直方圖Histograms
（7）嵌入向量Embeddings
Tensorboard的可視化過程
（1）建立一個graph,你想從這個graph中獲取某些數(shù)據(jù)的信息
（2）確定要在graph中的哪些節(jié)點(diǎn)放置summary operations以記錄信息
使用tf.summary.scalar記錄標(biāo)量
使用tf.summary.histogram記錄數(shù)據(jù)的直方圖
使用tf.summary.distribution記錄數(shù)據(jù)的分布圖
使用tf.summary.image記錄圖像數(shù)據(jù)
….
（3）operations并不會去真的執(zhí)行計算，除非你告訴他們需要去run,或者它被其他的需要run的operation所依賴。而我們上一步創(chuàng)建的這些summary operations其實(shí)并不被其他節(jié)點(diǎn)依賴，因此，我們需要特地去運(yùn)行所有的summary節(jié)點(diǎn)。但是呢，一份程序下來可能有超多這樣的summary 節(jié)點(diǎn)，要手動一個一個去啟動自然是及其繁瑣的，因此我們可以使用tf.summary.merge_all去將所有summary節(jié)點(diǎn)合并成一個節(jié)點(diǎn)，只要運(yùn)行這個節(jié)點(diǎn)，就能產(chǎn)生所有我們之前設(shè)置的summary data。
（4）使用tf.summary.FileWriter將運(yùn)行后輸出的數(shù)據(jù)都保存到本地磁盤中
（5）運(yùn)行整個程序，并在命令行輸入運(yùn)行tensorboard的指令，之后打開web端可查看可視化的結(jié)果
tf.name_scope()函數(shù)
復(fù)雜的TensorFlow 一般由數(shù)以千計的節(jié)點(diǎn)所構(gòu)成，如此多而難以一下全部看到，甚至無法使用標(biāo)準(zhǔn)圖表工具來展示。為簡單起見，我們?yōu)閛p/tensor名劃定范圍，并且可視化把該信息用于在圖表中的節(jié)點(diǎn)上定義一個層級。代碼示例1、數(shù)據(jù)準(zhǔn)備
今天程序上來第一部分就發(fā)生變化，出現(xiàn)了新面孔，那就是定義了一個variable_summaries()函數(shù)，傳遞參數(shù)為var。
這個函數(shù)的作用是：
（1）將傳遞過來的參數(shù)var進(jìn)行求均值（mean）、標(biāo)準(zhǔn)差（stddev）、最大最小值（max、min）
（2）用tf.summary.scalar()函數(shù)，分別對上述的幾個統(tǒng)計量（標(biāo)量）進(jìn)行記錄，同時記錄參數(shù)var的直方圖（tf.summary.histogram()函數(shù)實(shí)現(xiàn)）
在這里大家發(fā)現(xiàn)了我用的tf.name_scope()函數(shù)，我在這里建立了一個名叫summaries的可視化節(jié)點(diǎn)的層級，之后在Tensorboard中將會找到它。

2、準(zhǔn)備好placeholder
同樣，我用tf.name_scope()函數(shù)，建立了一個名叫input的可視化節(jié)點(diǎn)的層級，這個節(jié)點(diǎn)層下包含 x_input、y_input、learning_rate 三個子節(jié)點(diǎn)。3、初始化參數(shù)/權(quán)重
同理，這里我對每個變量都做了同樣的操作，只不過這里我命名了3個層級的節(jié)點(diǎn)，大家是否能準(zhǔn)確找到呢~~，同時對權(quán)重值W1、W2、W3，偏置值b1、b2、b3進(jìn)行variable_summaries()函數(shù)的調(diào)用，想具體了解這些參數(shù)在模型訓(xùn)練中是如何發(fā)生變化

4、計算預(yù)測結(jié)果

5、計算損失值

6、初始化optimizer

7、指定迭代次數(shù)，并在session執(zhí)行g(shù)raph

運(yùn)行結(jié)果
今天我們的重點(diǎn)在于Tensorboard上，準(zhǔn)確率就不展示了，因?yàn)槌绦蛟谟嬎闵蠜]有變化，依舊會是0.98附近。
接下來我們要做的就是打開Tensorboard，在Macbook中打開終端輸入tensorboard –logdir=

關(guān)注小鯨融創(chuàng)，一起深度學(xué)習(xí)金融科技！

總結(jié)

以上是生活随笔為你收集整理的tensorboard 数据降维分布图_以mnist为例探究tensorboard的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。