1.建立一個神經網絡添加層

輸入值、輸入的大小、輸出的大小和激勵函數

學過神經網絡的人看下面這個圖就明白了，不懂的去看看我的另一篇博客（http://www.cnblogs.com/wjy-lulu/p/6547542.html） 

def add_layer(inputs , in_size , out_size , activate = None): 
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#隨機初始化 
    baises  = tf.Variable(tf.zeros([1,out_size])+0.1)#可以隨機但是不要初始化為0，都為固定值比隨機好點 
    y = tf.matmul(inputs, Weights) + baises #matmul:矩陣乘法，multipy:一般是數量的乘法 
    if activate: 
        y = activate(y) 
    return y  

2.訓練一個二次函數 

import tensorflow as tf 
import numpy as np 
 
def add_layer(inputs , in_size , out_size , activate = None): 
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#隨機初始化 
    baises  = tf.Variable(tf.zeros([1,out_size])+0.1)#可以隨機但是不要初始化為0，都為固定值比隨機好點 
    y = tf.matmul(inputs, Weights) + baises #matmul:矩陣乘法，multipy:一般是數量的乘法 
    if activate: 
        y = activate(y) 
    return y 
if __name__ == '__main__': 
    x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]#創建-1,1的300個數，此時為一維矩陣，后面轉化為二維矩陣===[1,2,3]-->>[[1,2,3]] 
    noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)#噪聲是(1,300)格式,0-0.05大小 
    y_data = np.square(x_data) - 0.5 + noise #帶有噪聲的拋物線 
 
    xs = tf.placeholder(tf.float32,[None,1]) #外界輸入數據 
    ys = tf.placeholder(tf.float32,[None,1]) 
 
    l1 = add_layer(xs,1,10,activate=tf.nn.relu) 
    prediction = add_layer(l1,10,1,activate=None) 
 
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))#誤差 
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#對誤差進行梯度優化，步伐為0.1 
 
    sess = tf.Session() 
    sess.run( tf.global_variables_initializer()) 
    for i in range(1000): 
        sess.run(train_step, feed_dict={xs: x_data, ys: y_data})#訓練 
        if i%50 == 0: 
            print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))#查看誤差  

3.動態顯示訓練過程

顯示的步驟程序之中部分進行說明，其它說明請看其它博客（http://www.cnblogs.com/wjy-lulu/p/7735987.html） 

import tensorflow as tf 
import numpy as np 
import matplotlib.pyplot as plt 
 
def add_layer(inputs , in_size , out_size , activate = None): 
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#隨機初始化 
    baises  = tf.Variable(tf.zeros([1,out_size])+0.1)#可以隨機但是不要初始化為0，都為固定值比隨機好點 
    y = tf.matmul(inputs, Weights) + baises #matmul:矩陣乘法，multipy:一般是數量的乘法 
    if activate: 
        y = activate(y) 
    return y 
if __name__ == '__main__': 
    x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]#創建-1,1的300個數，此時為一維矩陣，后面轉化為二維矩陣===[1,2,3]-->>[[1,2,3]] 
    noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)#噪聲是(1,300)格式,0-0.05大小 
    y_data = np.square(x_data) - 0.5 + noise #帶有噪聲的拋物線 
    fig = plt.figure('show_data')# figure("data")指定圖表名稱 
    ax = fig.add_subplot(111) 
    ax.scatter(x_data,y_data) 
    plt.ion() 
    plt.show() 
    xs = tf.placeholder(tf.float32,[None,1]) #外界輸入數據 
    ys = tf.placeholder(tf.float32,[None,1]) 
 
    l1 = add_layer(xs,1,10,activate=tf.nn.relu) 
    prediction = add_layer(l1,10,1,activate=None) 
 
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))#誤差 
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#對誤差進行梯度優化，步伐為0.1 
 
    sess = tf.Session() 
    sess.run( tf.global_variables_initializer()) 
    for i in range(1000): 
        sess.run(train_step, feed_dict={xs: x_data, ys: y_data})#訓練 
        if i%50 == 0: 
            try: 
                ax.lines.remove(lines[0]) 
            except Exception: 
                pass 
            prediction_value = sess.run(prediction, feed_dict={xs: x_data}) 
            lines = ax.plot(x_data,prediction_value,"r",lw = 3) 
            print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))#查看誤差 
            plt.pause(2) 
    while True: 
        plt.pause(0.01)   

4.TensorBoard整體結構化顯示

A.利用with tf.name_scope("name")創建大結構、利用函數的name="name"去創建小結構：tf.placeholder(tf.float32,[None,1],name="x_data")

B.利用writer = tf.summary.FileWriter("G:/test/",graph=sess.graph)創建一個graph文件

C.利用TessorBoard去執行這個文件

這里得注意--->>>首先到你存放文件的上一個目錄--->>然后再去運行這個文件

tensorboard  --logdir=test

(被屏蔽的GIF動圖，具體安裝操作歡迎戳“原文鏈接”哈！)

5.TensorBoard局部結構化顯示　　

A. tf.summary.histogram(layer_name+"Weight",Weights)：直方圖顯示

B.  tf.summary.scalar("Loss",loss):折線圖顯示，loss的走向決定你的網絡訓練的好壞，至關重要一點

C.初始化與運行設定的圖表 

merge = tf.summary.merge_all()#合并圖表2 writer = tf.summary.FileWriter("G:/test/",graph=sess.graph)#寫進文件3 result = sess.run(merge,feed_dict={xs:x_data,ys:y_data})#運行打包的圖表merge4 writer.add_summary(result,i)#寫入文件，并且單步長50　 

 完整代碼及顯示效果： 

import tensorflow as tf 
import numpy as np 
import matplotlib.pyplot as plt 
 
def add_layer(inputs , in_size , out_size , n_layer = 1 , activate = None): 
    layer_name = "layer" + str(n_layer) 
    with tf.name_scope(layer_name): 
        with tf.name_scope("Weights"): 
            Weights = tf.Variable(tf.random_normal([in_size,out_size]),name="W")#隨機初始化 
            tf.summary.histogram(layer_name+"Weight",Weights) 
        with tf.name_scope("Baises"): 
            baises  = tf.Variable(tf.zeros([1,out_size])+0.1,name="B")#可以隨機但是不要初始化為0，都為固定值比隨機好點 
            tf.summary.histogram(layer_name+"Baises",baises) 
        y = tf.matmul(inputs, Weights) + baises #matmul:矩陣乘法，multipy:一般是數量的乘法 
        if activate: 
            y = activate(y) 
        tf.summary.histogram(layer_name+"y_sum",y) 
        return y 
if __name__ == '__main__': 
    x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]#創建-1,1的300個數，此時為一維矩陣，后面轉化為二維矩陣===[1,2,3]-->>[[1,2,3]] 
    noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)#噪聲是(1,300)格式,0-0.05大小 
    y_data = np.square(x_data) - 0.5 + noise #帶有噪聲的拋物線 
    fig = plt.figure('show_data')# figure("data")指定圖表名稱 
    ax = fig.add_subplot(111) 
    ax.scatter(x_data,y_data) 
    plt.ion() 
    plt.show() 
    with tf.name_scope("inputs"): 
        xs = tf.placeholder(tf.float32,[None,1],name="x_data") #外界輸入數據 
        ys = tf.placeholder(tf.float32,[None,1],name="y_data") 
    l1 = add_layer(xs,1,10,n_layer=1,activate=tf.nn.relu) 
    prediction = add_layer(l1,10,1,n_layer=2,activate=None) 
    with tf.name_scope("loss"): 
        loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))#誤差 
        tf.summary.scalar("Loss",loss) 
    with tf.name_scope("train_step"): 
        train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#對誤差進行梯度優化，步伐為0.1 
 
    sess = tf.Session() 
    merge = tf.summary.merge_all()#合并 
    writer = tf.summary.FileWriter("G:/test/",graph=sess.graph) 
    sess.run( tf.global_variables_initializer()) 
    for i in range(1000): 
        sess.run(train_step, feed_dict={xs: x_data, ys: y_data})#訓練 
        if i%100 == 0: 
            result = sess.run(merge,feed_dict={xs:x_data,ys:y_data})#運行打包的圖表merge 
            writer.add_summary(result,i)#寫入文件，并且單步長50 
 

主要參考莫凡大大：https://morvanzhou.github.io/

可視化出現問題了，參考這位大神：http://blog.csdn.net/fengying2016/article/details/54289931