这篇文章主要介绍TensorFlow命名空间和TensorBoard图节点的示例分析,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们一定要看完!
一,命名空间函数
tf.variable_scope tf.name_scope 先以下面的代码说明两者的区别 # 命名空间管理函数 ''' 说明tf.variable_scope和tf.name_scope的区别 ''' def manage_namespace(): with tf.variable_scope("foo"): # 在命名空间foo下获取变量"bar",于是得到的变量名称为"foo/bar"。 a = tf.get_variable("bar",[1]) #获取变量名称为“bar”的变量 print a.name #输出:foo/bar:0 with tf.variable_scope("bar"): # 在命名空间bar下获取变量"bar",于是得到的变量名称为"bar/bar"。 a = tf.get_variable("bar",[1]) print a.name #输出:bar/bar:0 with tf.name_scope("a"): # 使用tf.Variable函数生成变量会受tf.name_scope影响,于是得到的变量名称为"a/Variable"。 a = tf.Variable([1]) #新建变量 print a.name #输出:a/Variable:0 # 使用tf.get_variable函数生成变量不受tf.name_scope影响,于是变量并不在a这个命名空间中。 a = tf.get_variable("b",[1]) print a.name #输出:b:0 with tf.name_scope("b"): # 使用tf.get_variable函数生成变量不受tf.name_scope影响,所以这里将试图获取名称 # 为“b”的变量。然而这个变量已经被声明了,于是这里会报重复声明的错误 tf.get_variable("b",[1])#提示错误
二,TensorBoard计算图查看
1 以以下代码实例,为指定任何的命名空间
def practice_num1(): # 练习1: 构建简单的计算图 input1 = tf.constant([1.0, 2.0, 3.0],name="input1") input2 = tf.Variable(tf.random_uniform([3]),name="input2") output = tf.add_n([input1,input2],name = "add") #生成一个写日志的writer,并将当前的tensorflow计算图写入日志 writer = tf.summary.FileWriter(ROOT_DIR + "/log",tf.get_default_graph()) writer.close()
如何使用TensorBoard的过程不再介绍。查看未指明命名空间的运算图
2 修改代码制定命名空间之后的代码
def practice_num1_modify(): #将输入定义放入各自的命名空间中,从而使得tensorboard可以根据命名空间来整理可视化效果图上的节点 # 练习1: 构建简单的计算图 with tf.name_scope("input1"): input1 = tf.constant([1.0, 2.0, 3.0],name="input1") with tf.name_scope("input2"): input2 = tf.Variable(tf.random_uniform([3]),name="input2") output = tf.add_n([input1,input2],name = "add") #生成一个写日志的writer,并将当前的tensorflow计算图写入日志 writer = tf.summary.FileWriter(ROOT_DIR + "/log",tf.get_default_graph()) writer.close()
查看运算图
上图只包含命名的两个命名空间的节点,我们可以点击名称“input2”的图标上的+号,展开该命名空间
效果:通过命名空间可以整理可视化效果图上的节点,使可视化的效果更加清晰。
以上是“TensorFlow命名空间和TensorBoard图节点的示例分析”这篇文章的所有内容,感谢各位的阅读!希望分享的内容对大家有帮助,更多相关知识,欢迎关注亿速云行业资讯频道!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。