21-增加变量显示

目的：观察模型的参数、损失值等变量值的变化

1. 收集变量

• tf.summary.scalar(name="", tensor) 收集损失函数等和准确率等单值变量，name为变量的名字，tensor为值
• tf.summary.histogram(name="", tensor) 收集高维度的变量参数
• tf.summary.image(name="", tensor) 收集输入的图片张量能显示图片

2. 合并变量写入事件文件

• merged=tf.summary.merge_all()
• 运行合并：summary = ses.run(merged) 每次迭代都需运行
• 添加：FileWriter.ad_summary(summary, i) i表示第几次的值

import tensorflow as tf
def myregression():
    """
    自实现一个线性回归预测
    :return: None
    """
    with tf.variable_scope("variable"):
        #准备数据
        x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")
        y_true = tf.matmul(x, [[0.7]]) + 0.8 #矩阵相乘必须是2维的
    with tf.variable_scope("model"):
        #建立线回归模型
        weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0, name="weight"))
        bias = tf.Variable(0.0, name="bias")
        y_predict = tf.matmul(x, weight) + bias
    with tf.variable_scope("loss"):
        #建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_predict-y_true)) #reduce_mean是计算平均值
    with tf.variable_scope("optimizer"):
        #梯度下降优化损失
        train_op = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss) #梯度下降去进行优化，即最小化损失，所以后面加了minimize

    #1. 收集变量：一般在会话之前
    tf.summary.scalar("losses", loss)
    tf.summary.histogram("weights", weight)

    #2. 合并变量，写入事件文件
    #定义合并变量的op
    merged = tf.summary.merge_all()

    #定义一个初始化变量的op
    init_op = tf.global_variables_initializer()

    #通过会话运行程序
    with tf.Session() as sess:
        #初始化变量
        sess.run(init_op)
        #打印随机初始化的权重和偏置值
        print("随机初始化的参数权重为：\n", weight.eval(), "\n偏置为：\n", bias.eval())
        #运行优化
        #循环训练优化
        filewriter = tf.summary.FileWriter("./", graph=sess.graph)
        for i in range(1000):
            sess.run(train_op)
            print("优化",i,"次优化过后的参数权重为：", weight.eval(), " 偏置为：", bias.eval())
            #运行合并的tensor
            summary = sess.run(merged)
            #把每次的值写入文件
            filewriter.add_summary(summary, i)
    return None

if __name__ == "__main__":
    myregression()