tensorflow自带了可视化的工具：Tensorboard。有了这个可视化工具，可以让我们在调整各项参数时有了可视化的依据。
本次我们先用Tensorboard来可视化Tensorflow的结构。
在输出tensorflow结构的关键步骤是：
writer = tf.summary.FileWriter("E:/todel/data/tensorflow", sess.graph)
这个函数中把当前的tensorflow的结构图输出到指定的目录下。
而为了能够使输出的结构能够有一定的分组，可以使用：
with tf.name_scope("xxx"):
只要用tf.name_scope()包含起来的代码就会分在一组中显示。
因此全部的示例代码如下：
import tensorflow as tf
import matplotlib.pyplot as plt
def add_layer(inputs, in_size, out_size, activation_function=None):
"""
添加层
:param inputs: 输入数据
:param in_size: 输入数据的列数
:param out_size: 输出数据的列数
:param activation_function: 激励函数
:return:
"""
# 定义权重，初始时使用随机变量，可以简单理解为在进行梯度下降时的随机初始点，这个随机初始点要比0值好，因为如果是0值的话，反复计算就一直是固定在0中，导致可能下降不到其它位置去。
with tf.name_scope(\'layer\'):
with tf.name_scope(\'weights\'):
Weights = tf.Variable(tf.random_normal([in_size, out_size]), name=\'W\')
with tf.name_scope(\'biases\'):
# 偏置shape为1行out_size列
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name=\'b\')
with tf.name_scope("Wx_plus_b"):
# 建立神经网络线性公式：inputs * Weights + biases，我们大脑中的神经元的传递基本上也是类似这样的线性公式，这里的权重就是每个神经元传递某信号的强弱系数，偏置值是指这个神经元的原先所拥有的电位高低值
Wx_plus_b = tf.matmul(inputs, Weights) + biases
if activation_function is None:
# 如果没有设置激活函数，则直接就把当前信号原封不动地传递出去
outputs = Wx_plus_b
else:
# 如果设置了激活函数，则会由此激活函数来对信号进行传递或抑制
outputs = activation_function(Wx_plus_b)
return outputs
import numpy as np
# 创建一列（相当于只有一个属性值），300行的x值，这里np.newaxis用于新建出列数据，使其shape为(300, 1)
x_data = np.linspace(-1, 1, 300)[:,np.newaxis]
# 增加噪点，噪点的均值为0，标准差为0.05，形状跟x_data一样
noise = np.random.normal(0, 0.05, x_data.shape)
# 定义y的函数为二次曲线的函数，但同时增加了一些噪点数据
y_data = np.square(x_data) - 0.5 + noise
# 定义输入值，这里定义输入值的目的是为了能够使程序比较灵活，可以在神经网络启动时接收不同的实际输入值，这里输入的结构为输入的行数不国定，但列就是1列的值
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\')
# 定义一个隐藏层，输入为xs，输入size为1列，因为x_data就只有1个属性值，输出size我们假定输出的神经元有10个神经元的隐藏层，激励函数用relu
l1 = add_layer(xs, 1, 10, tf.nn.relu)
# 定义输出层，输入为l1，输入size为10列，也就是l1的列数，输出size为1，因为这里直接输出为类似y_data了，因此为1列，假定没有激励函数，也就是输出是啥就直接传递出去了。
predition = add_layer(l1, 10, 1, activation_function=None)
with tf.name_scope("loss"):
# 定义损失函数为差值平方和的平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - predition), axis=1))
with tf.name_scope("train"):
# 进行逐步优化的梯度下降优化器，学习效率为0.1，以最小化损失函数的方式进行优化
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 初始化所有定义的变量
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
writer = tf.summary.FileWriter("E:/todel/data/tensorflow", sess.graph)
# 学习1000次
for i in range(1000):
sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
# 打印期间的误差值，看这个误差值是否在减少
if i % 50 == 0:
# print(sess.run(loss, feed_dict={xs:x_data, ys:y_data}))
prediction_value = sess.run(predition, feed_dict={xs:x_data, ys:y_data})
执行以上代码后，会在指定的目录下生成相应的结构文件，而为了能够查看此文件，可以在命令行中输入：
tensorboard --logdir tensorflow
当然，上面的logdir根据读者自己设置的目录结构名来确定。
执行上面的命令后，会打印一个可以在浏览器中输入的URL，输入这个URL就会显示相应的tensorflow结构图：
大家也可以自己尝试一下如果不输入那些烦人的tf.name_scope()进行分组而直接用 tf.summary.FileWriter进行输出其结构图是长啥样的。