import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib.tensorboard.plugins import projector

# In[2]:

# 载入数据集
mnist = input_data.read_data_sets("G:/ATAGLIRL_tensorflow/MNIST_data/", one_hot=True)
# 运行次数
max_steps = 5001
# 图片数量
image_num = 10000  #可以改的，这是是3000张
#文件路径
DIR= "G:/ATAGLIRL_tensorflow/"

# 定义会话
sess = tf.Session()

# 载入图片
embedding = tf.Variable(tf.stack(mnist.test.images[:image_num]), trainable=False, name='embedding')


# 参数概要
def variable_summaries(var):
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean', mean)  # 平均值
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev', stddev)  # 标准差
        tf.summary.scalar('max', tf.reduce_max(var))  # 最大值
        tf.summary.scalar('min', tf.reduce_min(var))  # 最小值
        tf.summary.histogram('histogram', var)  # 直方图


# 命名空间
with tf.name_scope('input'):
    # 这里的none表示第一个维度可以是任意的长度
    x = tf.placeholder(tf.float32, [None, 784], name='x-input')
    # 正确的标签
    y = tf.placeholder(tf.float32, [None, 10], name='y-input')

# 显示图片
with tf.name_scope('input_reshape'):
    #输入不确定所以是-1
    image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
    tf.summary.image('input', image_shaped_input, 10)

with tf.name_scope('layer1'):
    # 创建一个简单神经网络
    with tf.name_scope('weights1'):
        W1 = tf.Variable(tf.truncated_normal([784, 500],stddev=0.1),name='W1')
        variable_summaries(W1)
    with tf.name_scope('biases1'):
        b1 = tf.Variable(tf.zeros([500])+0.1,name='b1')
        variable_summaries(b1)
    with tf.name_scope('wx_plus_b1'):
        wx_plus_b1 = tf.matmul(x, W1) + b1
    # with tf.name_scope('softmax'):
    #     prediction = tf.nn.softmax(wx_plus_b)
    with tf.name_scope('activate1'):
        L1 = tf.nn.tanh(wx_plus_b1)
with tf.name_scope('layer2'):
    with tf.name_scope('weights2'):
        W2 = tf.Variable(tf.truncated_normal([500,300],stddev=0.1),name='W2')
        variable_summaries(W2)
    with tf.name_scope('biases2'):
        b2 = tf.Variable(tf.zeros([300]) + 0.1, name='b2')
        variable_summaries(b2)
    with tf.name_scope('wx_plus_b2'):
        wx_plus_b2 = tf.matmul(L1, W2) + b2
    with tf.name_scope('activate2'):
        L2 = tf.nn.tanh(wx_plus_b2)

with tf.name_scope('layer3'):
    with tf.name_scope('weights3'):
        W3 = tf.Variable(tf.truncated_normal([300,10], stddev=0.1), name='W3')
        variable_summaries(W3)
    with tf.name_scope('biases3'):
        b3 = tf.Variable(tf.zeros([10]) + 0.1, name='b2')
        variable_summaries(b3)
    with tf.name_scope('wx_plus_b3'):
        wx_plus_b3 = tf.matmul(L2, W3) + b3
    with tf.name_scope('softmax'):
        prediction = tf.nn.softmax(wx_plus_b3)

with tf.name_scope('loss'):
    # 交叉熵代价函数
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
    tf.summary.scalar('loss', loss)
with tf.name_scope('train'):
    # 使用梯度下降法
    train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

# 初始化变量
sess.run(tf.global_variables_initializer())

with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
        # 结果存放在一个布尔型列表中
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))  # argmax返回一维张量中最大的值所在的位置
    with tf.name_scope('accuracy'):
        # 求准确率
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 把correct_prediction变为float32类型
        tf.summary.scalar('accuracy', accuracy)

# 产生metadata文件
if tf.gfile.Exists(DIR + 'projector/projector/metadata.tsv'):
    tf.gfile.DeleteRecursively(DIR + 'projector/projector/metadata.tsv')
#没有的话就生成一个tsv文件
with open(DIR + 'projector/projector/metadata.tsv', 'w') as f:
    labels = sess.run(tf.argmax(mnist.test.labels[:], 1))
    for i in range(image_num):
        f.write(str(labels[i]) + '\n')

    # 合并所有的summary
merged = tf.summary.merge_all()



#将图存入指定路径
projector_writer = tf.summary.FileWriter(DIR + 'projector/projector', sess.graph)

saver = tf.train.Saver()
#这个下面代码感觉是用于读取mnist_10k_sprite.png然后分割这个图显示用的
config = projector.ProjectorConfig()
embed = config.embeddings.add()
embed.tensor_name = embedding.name
embed.metadata_path = DIR + 'projector/projector/metadata.tsv'
embed.sprite.image_path = DIR + 'projector/data/mnist_10k_sprite.png'
embed.sprite.single_image_dim.extend([28, 28]) #图片分割
projector.visualize_embeddings(projector_writer, config) #图片可视化


for i in range(max_steps):
    # 每个批次100个样本
    batch_xs, batch_ys = mnist.train.next_batch(100)
    run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
    run_metadata = tf.RunMetadata()
    summary, _ = sess.run([merged, train_step], feed_dict={x: batch_xs, y: batch_ys}, options=run_options,
                          run_metadata=run_metadata)
    projector_writer.add_run_metadata(run_metadata, 'step%03d' % i)
    projector_writer.add_summary(summary, i)
    #每隔100显示一次精度
    if i % 100 == 0:
        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
        print("Iter " + str(i) + ", Testing Accuracy= " + str(acc))

#保存模型
saver.save(sess, DIR + 'projector/projector/a_model.ckpt', global_step=max_steps)
projector_writer.close()
sess.close()

# In[ ]:

可以改一下：

with tf.Session() as sess:

就是不用sess.close()的情况呗，也会显得简洁很多。

1、遇到的问题：

一定要建文件夹

2、跑完后还想接着修改参数继续跑，要删除以下文件，否则会报错，但这个错也很好发现、

在训练一个神经网络模型后，你会保存这个模型未来使用或部署到产品中。所以，什么是TF模型？TF模型基本包含网络设计或图，与训练得到的网络参数和变量。因此，TF模型具有两个主要文件： 

a)meta图 
这是一个拟定的缓存，包含了这个TF图完整信息；如所有变量等等。文件以.meta结束。 
b)检查点文件： 
这个文件是一个二进制文件，包含所有权重、偏移、梯度和所有其它存储的变量的值。这个文件以.ckpy结束。然而，TF已经在0.11版本后不再以这个形式了。转而文件包含如下文件 ： 
mymodel.data-00000-of-00001 
mymodel.index 
.data文件包含训练变量。

TF还包含一个名为“checkpoint”的文件 ，保存最后检查点的文件。 
所以，综上，TF模型包含如下文件 ：

• my_test_model.data-00000-of-00001
• my_test_model.index
• my_test_model.meta
• checkpoint**

2保存一个TF模型 

  saver = tf.train.Saver() ，注意，你需要在一个session中保存这个模型 
  saver.save(sess, ‘my-model-name’) 
完整的例子为：

import tensorflow as tf
w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
saver = tf.train.Saver()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
saver.save(sess, 'my_test_model')

3、Couldn't open CUDA library cupti64_90.dll 如何解决？

https://www.ziiai.com/question/170 这个链接就是我出现的问题 

win10下一定要是在G盘下去输入：tensorboard --logdir=G:\ATAGLIRL_tensorflow\projector\projector 才行

ctrl+c是退出，然后可以从新输出命令行

一个一个打开看看 

定义的命名空间 layer1 ，其下的biases1，weights1他们的max，mean，min，stddev

可视化image呀

# 显示图片
with tf.name_scope('input_reshape'):
    #输入不确定所以是-1
    image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
    tf.summary.image('input', image_shaped_input, 10)