Tensorflow2.0學習筆記（二）tensorboard的使用

目錄

1 代碼

2 命令行輸入：tensorboard --logdir="logs"，WEb查看。

3 查看結果

 

1 代碼

import tensorflow as tf
import numpy as np
import os


def load_mnist(path):
    """加載本地下載好的mnist數據集"""
    f = np.load(path)
    x_train, y_train = f['x_train'], f['y_train']
    x_test, y_test = f['x_test'], f['y_test']
    f.close()
    return (x_train, y_train), (x_test, y_test)


(x_train, y_train), (x_test, y_test) = load_mnist("mnist.npz")
x_train, x_test = x_train / 255.0, x_test / 255.0  # 將樣本從整數轉換爲浮點數

# 利用tf.keras.Sequential容器封裝網絡層，前一層網絡的輸出默認作爲下一層的輸入
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),  # 創建一層網絡，設置輸出節點數爲128，激活函數類型爲Relu
  tf.keras.layers.Dropout(0.2),  # 在訓練中每次更新時， 將輸入單元的按比率隨機設置爲 0， 這有助於防止過擬合
  tf.keras.layers.Dense(10, activation='softmax')])  # Dense層就是所謂的全連接神經網絡層

model.summary()

# 爲訓練選擇優化器和損失函數：
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

log_dir = os.path.join("logs")
# print(log_dir)
if not os.path.exists(log_dir):
    os.mkdir(log_dir)
# 定義TensorBoard對象.histogram_freq 如果設置爲0，則不會計算直方圖。
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1)  

# TensorBoard對象作爲回調傳給model.fit方法
model.fit(x_train, y_train, epochs=8, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])  

model.save_weights('weight/my_weights', save_format='tf')  # 保存模型

2 命令行輸入：tensorboard --logdir="logs"，WEb查看。

3 查看結果

4 注意

log_dir = os.path.join("logs")

os爲windows，則使用上述寫法。如果寫成log_dir=“logs”，則報錯。

 

 

顯示模型的結構：model.summary()