Tensorflow 如何在tf.layers模块中使用TensorBoard和summary操作

我遵循了使用TensorFlow的tf.layers模块为MNIST数字分类创建CNN。现在我正试着从中学到如何使用张力板。也许本教程最近没有更新，因为它说它的示例代码是对该教程的示例代码和链接的修改，但代码完全不同：它手动定义了一个完全连接网络的隐藏层

TensorBoard教程演示了如何使用tf.summary将摘要附加到图层，方法是在图层的权重张量上创建操作（因为我们手动定义了图层，所以可以直接访问该张量），并将tf.summary对象附加到这些操作。如果我使用tf.layers及其教程代码，我相信我必须：

修改图层教程的示例代码，以使用非功能界面（Conv2D而不是Conv2D，稠密而不是稠密）创建图层

使用层对象的可训练_weights（）函数获取权重张量，并将tf.summary对象附加到这些张量

---

这是将TensorBoard与tf.layers一起使用的最佳方式，还是有一种更直接地与tf.layers和功能接口兼容的方式？如果有，是否有更新的官方TensorBoard教程？如果文档和教程更加统一就好了

您应该能够使用tf.layers调用的输出来获得激活。使用链接层教程的第一个卷积层：

# Convolutional Layer #1
conv1 = tf.layers.conv2d(
    inputs=input_layer,
    filters=32,
    kernel_size=[5, 5],
    padding="same",
    activation=tf.nn.relu)

你可以做：

tensor_name = conv1.op.name
tf.summary.histogram(tensor_name + '/activation', conv1)

不确定这是否是最好的方式，但我相信这是做你想做的事情最直接的方式

---

希望这有帮助

你可以用这样的东西

with tf.name_scope('dense2'):

    preds = tf.layers.dense(inputs=dense1,units = 12,  
                    activation=tf.nn.sigmoid, name="dense2")

    d2_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, 'dense2')

    tf.summary.histogram("weights", d2_vars[0])
    tf.summary.histogram("biases", d2_vars[1])
    tf.summary.histogram("activations", preds)

---

另一种选择是使用

tf.layers.Dense

而不是

tf.layers.Dense

（

d

和

d

之间的区别）

密集型的范例是：

x = tf.placeholder(shape=[None, 100])
dlayer = tf.layers.Dense(hidden_unit)
y = dlayer(x)

使用

dlayer

作为中间层，您可以执行以下操作：

k = dlayer.kernel
b = dlayer.bias
k_and_b = dlayer.weights

请注意，在应用

y=dlayer（x）

之前，您不会获得

dlayer.kernel

---

其他层的情况类似，例如卷积层。用任何可用的自动完成功能检查它们。

这是我在问题中提到的选项，我想看看是否有替代选项。