原文:
https://blog.csdn.net/qq_35608277/article/details/79161788对于标量
如果我们想对标量在训练中可视化,可以使用tf.summary.scalar(),比如损失loss
loss = tf.reduce_mean(tf.reduce_sum( tf.square(ys-prediction),reduction_indices=[1])) tf.summary.scalar('loss',loss)
对于参数
应使用tf.summary.histogram(),如全链接的权重:
tf.summary.histogram("/weights",Weights)
merge并运行
就像变量需要初始化一样,summary也需要merge:
merged = tf.summary.merge_all()
之后定义一个输出器记录下在运行中的数据:
writer = tf.summary.FileWriter("output/", sess.graph)
最后记得在训练过程中执行这两个模块:
for i in range(1000): sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) if i%50==0:# 50次记录一次 result = sess.run(merged, feed_dict={xs:x_data,ys:y_data}) writer.add_summary(result,i)
也就是说,summary独立出来了,以前tf.XXX_summary这样的下划线变成了tf.summary.XXX的格式