摘要：那他們有什么區(qū)別呢顧名思義，是一個(gè)名稱(chēng)作用域，是變量作用域。這兩種創(chuàng)建方式也是有區(qū)別的。在下時(shí)，創(chuàng)建的變量名不受的影響，而且在未指定共享變量時(shí)，如果重名就會(huì)報(bào)錯(cuò)。要注意的是，下面的代碼會(huì)報(bào)錯(cuò)。

只有光頭才能變強(qiáng)。
文本已收錄至我的GitHub倉(cāng)庫(kù)，歡迎Star：https://github.com/ZhongFuCheng3y/3y

回顧前面：

從零開(kāi)始學(xué)TensorFlow【01-搭建環(huán)境、HelloWorld篇】

什么是TensorFlow？

TensorFlow讀寫(xiě)數(shù)據(jù)

如何理解axis？

這篇文章主要講講TensorBoard的基本使用以及name_scope和variable_scope的區(qū)別

首先來(lái)講講TensorBoard是什么吧，我當(dāng)時(shí)是在官方文檔里學(xué)習(xí)的，官網(wǎng)也放出了介紹TensorBoard的視頻。我在b站搜了一把，發(fā)現(xiàn)也有，大家可以先去看看視頻了解一下(其實(shí)已經(jīng)說(shuō)得很好了)：

https://www.bilibili.com/video/av35203293?from=search&seid=6605552834229124959

為了更方便 TensorFlow 程序的理解、調(diào)試與優(yōu)化，于是就有了TensorBoard 這樣的的可視化工具

因?yàn)槲覀兙帉?xiě)出來(lái)的TensorFlow程序，建好一個(gè)神經(jīng)網(wǎng)絡(luò)，其實(shí)我們也不知道神經(jīng)網(wǎng)絡(luò)里頭具體細(xì)節(jié)到底做了什么，要人工調(diào)試十分困難(就好比你無(wú)法想象出遞歸的所有步驟一樣)。有了TensorBoard，可以將TensorFlow程序的執(zhí)行步驟都顯示出來(lái)，非常直觀。并且，我們可以對(duì)訓(xùn)練的參數(shù)(比如loss值)進(jìn)行統(tǒng)計(jì)，用圖的方式來(lái)查看變化的趨勢(shì)。

在視頻中其實(shí)也有提到，我們想要TensorBoard的圖能夠更好地展示(更加有條理)，那一般我們需要對(duì)其用name_scope取名。

那除了name_scope，還有一個(gè)叫做variable_scope。那他們有什么區(qū)別呢？顧名思義，name_scope是一個(gè)名稱(chēng)作用域，variable_scope是變量作用域。

在前面文章中，創(chuàng)建變量有兩種方式，一種是用tf.get_variable()來(lái)創(chuàng)建，一種是用tf.Variable()來(lái)創(chuàng)建。這兩種創(chuàng)建方式也是有區(qū)別的。

在 tf.name_scope下時(shí)，tf.get_variable()創(chuàng)建的變量名不受 name_scope 的影響，而且在未指定共享變量時(shí)，如果重名就會(huì)報(bào)錯(cuò)。tf.Variable()會(huì)自動(dòng)檢測(cè)有沒(méi)有變量重名，如果有則會(huì)自行處理(自動(dòng)創(chuàng)建一個(gè))

比如下面的代碼：

with tf.name_scope("name_sp1") as scp1:
    with tf.variable_scope("var_scp2") as scp2:
        with tf.name_scope("name_scp3") as scp3:
            a = tf.Variable("a")
            b = tf.get_variable("b")

等同于：

with tf.name_scope("name_sp1") as scp1:
    with tf.name_scope("name_sp2") as scp2:
        with tf.name_scope("name_scp3") as scp3:
            a = tf.Variable("a")

with tf.variable_scope("var_scp2") as scp2:
        b = tf.get_variable("b")

這里體現(xiàn)的是如果用get_variable的方式來(lái)創(chuàng)建對(duì)象，是不受name_scope所影響的。

要注意的是，下面的代碼會(huì)報(bào)錯(cuò)。因?yàn)樵趕cp作用域下壓根就沒(méi)有a這個(gè)變量，同時(shí)又設(shè)置成reuse=True。這里因?yàn)榈氖?strong>找不到共享變量而出錯(cuò)！

with tf.variable_scope("scp", reuse=True) as scp:
    a = tf.get_varialbe("a") #報(bào)錯(cuò)

同樣地，下面的代碼也會(huì)報(bào)錯(cuò)，因?yàn)槊髅?strong>已經(jīng)有共享變量了，但設(shè)置成reuse=false。所以就會(huì)報(bào)錯(cuò)。

with tf.variable_scope("scp", reuse=False) as scp:    
     a = tf.get_varialbe("a")
    a = tf.get_varialbe("a") #報(bào)錯(cuò)

最后，我們?cè)賮?lái)看這個(gè)例子，應(yīng)該就可以看懂了。

with tf.variable_scope("variable_scope_y") as scope:
    var1 = tf.get_variable(name="var1", shape=[1], dtype=tf.float32)
    scope.reuse_variables()  # 設(shè)置共享變量
    var1_reuse = tf.get_variable(name="var1")
    var2 = tf.Variable(initial_value=[2.], name="var2", dtype=tf.float32)
    var2_reuse = tf.Variable(initial_value=[2.], name="var2", dtype=tf.float32)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(var1.name, sess.run(var1))
    print(var1_reuse.name, sess.run(var1_reuse))
    print(var2.name, sess.run(var2))
    print(var2_reuse.name, sess.run(var2_reuse))
# 輸出結(jié)果：
# variable_scope_y/var1:0 [-1.59682846]
# variable_scope_y/var1:0 [-1.59682846]   可以看到變量var1_reuse重復(fù)使用了var1
# variable_scope_y/var2:0 [ 2.]
# variable_scope_y/var2_1:0 [ 2.]

參考資料：

https://www.zhihu.com/question/54513728

下面我們來(lái)看一個(gè)TensorBoard簡(jiǎn)單的入門(mén)例子，感受一下：

def learn_tensor_board_2():
    # prepare the original data
    with tf.name_scope("data"):
        x_data = np.random.rand(100).astype(np.float32)
        y_data = 0.3 * x_data + 0.1
    ##creat parameters
    with tf.name_scope("parameters"):
        with tf.name_scope("weights"):
            weight = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
            tf.summary.histogram("weight", weight)
        with tf.name_scope("biases"):
            bias = tf.Variable(tf.zeros([1]))
            tf.summary.histogram("bias", bias)
    ##get y_prediction
    with tf.name_scope("y_prediction"):
        y_prediction = weight * x_data + bias
    ##compute the loss
    with tf.name_scope("loss"):
        loss = tf.reduce_mean(tf.square(y_data - y_prediction))
        tf.summary.scalar("loss", loss)
    ##creat optimizer
    optimizer = tf.train.GradientDescentOptimizer(0.5)
    # creat train ,minimize the loss
    with tf.name_scope("train"):
        train = optimizer.minimize(loss)
    # creat init
    with tf.name_scope("init"):
        init = tf.global_variables_initializer()
    ##creat a Session
    sess = tf.Session()
    # merged
    merged = tf.summary.merge_all()
    ##initialize
    writer = tf.summary.FileWriter("/Users/zhongfucheng/tensorboard/loss-2", sess.graph)
    sess.run(init)
    ## Loop
    for step in range(201):
        sess.run(train)
        rs = sess.run(merged)
        writer.add_summary(rs, step)


if __name__ == "__main__":
    learn_tensor_board_2()
    # 啟動(dòng)完了之后，要在命令行上運(yùn)行tensor_board的命令，指定其目錄，最后我們就可以通過(guò)6006的默認(rèn)端口訪問(wèn)我們的圖。

(例子來(lái)源網(wǎng)絡(luò)，我改動(dòng)了一下，出處我忘了，侵刪~)

接下來(lái)，我們啟動(dòng)一下TensorBoard，看看圖是怎么樣的，啟動(dòng)命令如下：

tensorboard --logdir=/Users/zhongfucheng/tensorboard/loss-2

啟動(dòng)成功的圖：

通過(guò)6006端口我們?nèi)ピL問(wèn)一下，首先我們可以檢測(cè)到loss值的變更：

我們也可以查看TensorFlow程序大概的執(zhí)行步驟：

參數(shù)w和b的直方圖：

總之，TensorBoard可以方便地查看我們參數(shù)的變化，以便更好理解我們寫(xiě)的代碼。

參考資料：

https://www.cnblogs.com/tengge/p/6376073.html

https://www.cnblogs.com/fydeblog/p/7429344.html

樂(lè)于輸出干貨的Java技術(shù)公眾號(hào)：Java3y。公眾號(hào)內(nèi)有200多篇原創(chuàng)技術(shù)文章、海量視頻資源、精美腦圖，不妨來(lái)關(guān)注一下！

覺(jué)得我的文章寫(xiě)得不錯(cuò)，不妨點(diǎn)一下贊！