TensorFlow命名空间和TensorBoard图节点实例

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。

以上这篇TensorFlow命名空间和TensorBoard图节点实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。

以上是 TensorFlow命名空间和TensorBoard图节点实例 的全部内容, 来源链接: utcz.com/z/347874.html

回到顶部