1、计算图
讲到计算图，就能和分布式的计算流程扯上关系，下面讲讲计算图的区别
tensorflow和Spark的图计算流程差不多
1.1最基础的单元
a、Spark的计算图最基础的单元是rdd(弹性分布式数据集，是一种数据结构，可以是数组，也可以是一个分区文件)但rdd存储通常是key-value形式；
b、tensorflow计算图最基础的单元则是张量(同样是一种数据结构，也可以是数组)
1.2数据能够被切分
a、spark对于不同分区的rdd可以分别读取；
b、tensorflow对于图像数据集量比较大的时候同样可以切片，分批量训练；
1.3由一个函数或者op节点进行计算
a、在spark中有rdd算子运算；
b、在tensorflow对应着不同op节点对每个分区的数据集进行运算；
1.4具有方向性
计算图中最明显的一个特征就是具有方向性，意味着每一个步骤都有先后顺序，
相信使用tensorflow的朋友构建神经网络的时候就会发现每一层之间是环环相扣的；
1.5阶段图
a、spark中的整体计算图分为阶段式计算图，每个stage对应着不同的计算图；
b、tensorflow初始化则是默认的图，当然可以根据自己需要定义不同名称的图，这种形态后和spark的阶段图有点类型；
2、Tensorflow中的tensorboard的基本解释和用法
#tf.name_scope()给graph增加层级#tf.summary.scalar标量统计结果#loss以及准确率分布等#tf.summary.images图片统计结果#tf.summary.audio音频统计结果#tf.distributions#横轴为训练步数，纵轴为权重，图形为max,93%,84%,69%,50%,31%,16%,7%,min权重分布#tf.summary.histogram取值分布结果#histogram两种模式：#overlay横轴为权重，纵轴为频数，选择时为步数#offset横轴为权重，纵轴为训练步数，选择时为频数
tf.summary.merge_all()将summary中的操作合并
定义各个图和节点，示例如下所示，完成之后可以在命令进行相应的logs文件夹
使用tensorboard—logdir=logs启动tensorboard，进入.0.0.1:+相应端口号即可打开相应的web界面
importtensorflowastfimportnumpyasnpdefadd_layer(inputs,in_size,out_size,n_layer,active_function=None):layer_name=layer%s%n_layerwithtf.name_scope(layer_name):withtf.name_scope(weights):Weights=tf.Variable(tf.random_normal([in_size,out_size]),name=W)tf.summary.histogram(layer_name+/weights,Weights)withtf.name_scope(biases):biases=tf.Variable(tf.zeros([1,out_size])+0.1,name=b)tf.summary.histogram(layer_name+/biases,biases)withtf.name_scope(wx_b):predict=tf.add(tf.matmul(inputs,Weights),biases)ifactive_functionisNone:outputs=predictelse:outputs=active_function(predict)tf.summary.histogram(layer_name+/outputs,outputs)returnoutputsx_data=np.linspace(-1,1,)[:,np.newaxis]biases=np.random.normal(0,0.05,x_data.shape)y_data=np.square(x_data)-0.5+biaseswithtf.name_scope(inputs):train_x=tf.placeholder(tf.float32,[None,1],name=x_input)label=tf.placeholder(tf.float32,[None,1],name=y_input)l1=add_layer(train_x,1,10,n_layer=1,active_function=tf.nn.relu)l2=add_layer(l1,10,1,n_layer=2,active_function=None)withtf.name_scope(loss):loss=tf.reduce_mean(tf.reduce_sum(tf.square(label-l2),reduction_indices=[1]))tf.summary.scalar(loss,loss)withtf.name_scope(train):train=tf.train.GradientDescentOptimizer(0.05).minimize(loss)sess=tf.Session()init=tf.global_variables_initializer()merge=tf.summary.merge_all()writer=tf.summary.FileWriter(logs/,sess.graph)sess.run(init)foriinrange():sess.run(train,feed_dict={train_x:x_data,label:y_data})ifi%50==0:print(sess.run(loss,feed_dict={train_x:x_data,label:y_data}))result=sess.run(merge,feed_dict={train_x:x_data,label:y_data})writer.add_summary(result,i)
由于作者水平有限，欢迎参照指正
加入我们，给小编辑留言。