学会用Tensorflow自带的Tensorboard去可视化我们所构建的神经网络是一个很好的学习理解方式。用最直观的流程图告诉你，你的神经网络长什么样子，有助于你发现编程中出现的问题和疑问。
首先，看效果图：
同时，我们也可以展开看看每层layer中的一些具体结构：
其实我们展示的就是上篇文章《用Tensorflow构建一个神经网络》 的结构，地址如下：
https://blog.csdn.net/program_developer/article/details/80192550
其次，介绍神经网络可视化的具体步骤和代码:
1.从Input开始：
# 利用占位符定义我们所需要的神经网络的输入。 # None代表无论输入有多少样本都可以。因为输入只有一个特征，所以这里是1。 xs = tf.placeholder(tf.float32,[None,1]) ys = tf.placeholder(tf.float32,[None,1])
对于input，我们进行修改如下：首先，可以为xs指定名称为：x_input，为ys指定名称为：y_input。然后使用with tf.name_scope("inputs"):可以将xs和ys包含进来，形成一个大的图层，图层的名字就是with tf.name_scope()方法里的参数。
with tf.name_scope("inputs"):
xs = tf.placeholder(tf.float32,[None,1], name="x_input")
ys = tf.placeholder(tf.float32,[None,1], name="y_input")
2. 接下来开始编辑layer层。
编辑前的layer层代码：
# 构造添加一个神经层的函数
def add_layer(inputs,in_size,out_size,activation_function=None):
# 定义weights为一个in_size行，out_size列的随机变量矩阵
Weights = tf.Variable(tf.random_normal([in_size,out_size]))
biases = tf.Variable(tf.zeros([1,out_size])) + 0.1
Wx_plus_b = tf.matmul(inputs,Weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
这里的名字应该叫layer，下面是编辑后的：
def add_layer(inputs, in_size, out_size, activation_function=None):
# add one more layer and return the output of this layer
with tf.name_scope('layer'):
Weights= tf.Variable(tf.random_normal([in_size, out_size]))
# and so on...
在定义完大的框架layer之后，同时也需要定义每一个layer里面的小部件：（Weights、biases和activation function）:现在对Weights定义：也是使用tf.name.scope()方法，同时也可以在Weights中指定名字：W。
def add_layer(inputs, in_size, out_size, activation_function=None):
#define layer name
with tf.name_scope('layer'):
#define weights name
with tf.name_scope('weights'):
Weights= tf.Variable(tf.random_normal([in_size, out_size]),name='W')
#and so on......
接着定义biases，定义方法同上。
def add_layer(inputs, in_size, out_size, activation_function=None):
#define layer name
with tf.name_scope('layer'):
#define weights name
with tf.name_scope('weights')
Weights= tf.Variable(tf.random_normal([in_size, out_size]),name='W')
# define biase
with tf.name_scope('Wx_plus_b'):
Wx_plus_b = tf.add(tf.matmul(inputs, Weights), biases)
# and so on....
activation_function的话，可以暂时忽略。因为当你自己选择用tensorflow中的激活函数（activation function）的时候，tensorflow会默认添加名称。最终，layer形式如下：
# 构造添加一个神经层的函数
def add_layer(inputs,in_size,out_size,activation_function=None):
with tf.name_scope("layer"):
with tf.name_scope("weights"):
# 定义weights为一个in_size行，out_size列的随机变量矩阵
Weights = tf.Variable(tf.random_normal([in_size,out_size]),name="W")
with tf.name_scope("biases"):
biases = tf.Variable(tf.zeros([1,out_size])) + 0.1
with tf.name_scope("Wx_plus_b"):
Wx_plus_b = tf.add(tf.matmul(inputs,Weights),biases)
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b,)
return outputs
效果如下：（可以看到刚才定义的layer里面“内部构件”）
3.就是 loss部分。将with tf.name_scope()添加在loss上方，并为它起名为loss。
# 定义损失函数
with tf.name_scope("loss"):
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
4.就是 train部分。
# 让神经网络通过梯度下降法来训练，这里的0.1是学习率
with tf.name_scope("train"):
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
5. 我们需要使用tf.summary.FileWriter()将上面的部件画出来保存到一个目录中，以方便后期在浏览器中可以浏览。这个方法中的第二个参数需要使用sess.graph，因此我们需要把这句话放在获取session的后面。这里的graph是将前面定义的框架信息收集起来，然后放在logs/目录下面。
# 定义Session,并用Session来执行init初始化步骤
sess = tf.Session()
writer = tf.summary.FileWriter("logs/",sess.graph)
sess.run(init)
好了！终于把代码部分搞定了！下面，运行你的程序。
程序完成之后，你会在你的程序目录中找到产生的logs文件夹和文件夹里放的文件。
最后，显示神经网络结构。
在你的终端中，使用命令进入到test目录，然后输入tensorboard --logdir logs，然后终端中会产生一个网址，把这个网址复制到浏览器中，便可以看到定义的神经网络框架了。
可能遇到的问题：
（1）与Tensorflow兼容的浏览器是“Google Chrome”。使用其他的浏览器不保证所有的内容都能正常显示。
（2）请确保你的Tensorboard指令是在你的logs文件根目录中执行的。如果在其他目录执行，可能不会成功看到图。
给出完整的代码：
#coding:utf-8
# 导入本次需要的模块
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
'''
inputs：输入值
in_size：输入的大小
out_size：输出的大小
activation_function：激活函数
'''
# 构造添加一个神经层的函数
def add_layer(inputs,in_size,out_size,activation_function=None):
with tf.name_scope("layer"):
with tf.name_scope("weights"):
# 定义weights为一个in_size行，out_size列的随机变量矩阵
Weights = tf.Variable(tf.random_normal([in_size,out_size]),name="W")
with tf.name_scope("biases"):
biases = tf.Variable(tf.zeros([1,out_size])) + 0.1
with tf.name_scope("Wx_plus_b"):
Wx_plus_b = tf.add(tf.matmul(inputs,Weights),biases)
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b,)
return outputs
#################导入数据##################################
# 构建所需要的数据。这里的x_data和y_data并不是严格的一元二次函数的关系，
# 因为我们多加了一个noise,这样看起来会更像真实情况。
x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data) - 0.5 + noise
# 利用占位符定义我们所需要的神经网络的输入。
# None代表无论输入有多少样本都可以。因为输入只有一个特征，所以这里是1。
with tf.name_scope("inputs"):
xs = tf.placeholder(tf.float32,[None,1], name="x_input")
ys = tf.placeholder(tf.float32,[None,1], name="y_input")
#################导入数据##################################
#################搭建神经网络##################################
# 输入层只有一个属性，所以我们就只有一个输入。
# 我设置隐藏层有10个神经元
# 输出层也只有一层
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,activation_function=None)
# 定义损失函数
with tf.name_scope("loss"):
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
# 让神经网络通过梯度下降法来训练，这里的0.1是学习率
with tf.name_scope("train"):
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 使用变量时，都要对变量进行初始化
init = tf.initialize_all_variables()
# 定义Session,并用Session来执行init初始化步骤
sess = tf.Session()
writer = tf.summary.FileWriter("logs/",sess.graph)
sess.run(init)
#################搭建神经网络##################################
观看此视频笔记：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/4-1-tensorboard1/