学着用tensorboard在一个模型里面有训练模型和测试模型的损失函数曲线对比，上网找了好多，但是还都是一个曲线，即自己画的是这样的

但是想要的是这样的：

到底应该怎么样呢？

简单操作：

[python] 

1. tensorboard --logdir=run1:"/home/.../summary",run2:"/home/.../summary"   

其实只要在终端同时运行几个events即可，events就是summary生成的那个东西，

然后注意了，还有个骚操作：

注意,左上角的ignore outliers in chart scaling 没点时是上图，如果点了，就是下面的图了

最后附上我的代码，可以自己耍一下。

[python] 

1. # -*- coding: utf-8 -*-  
2. """ 
3. Created on Tue May 29 09:17:55 2018 
4.  
5. @author: 618 
6. """  
7.   
8. import tensorflow as tf  
9. import numpy as np  
10.   
11. trX = np.linspace(-1, 1, 100)  
12. trY = trX + np.random.randn(*trX.shape)*0.33  
13.   
14. teX = np.linspace(2, 3, 100)  
15. teY = teX  
16.   
17. X = tf.placeholder(tf.float32, [100,], name="input_x")  
18. Y = tf.placeholder(tf.float32, [100,], name="output_y")  
19. X1 = tf.placeholder(tf.float32, [100,], name="input_x1")  
20. Y1 = tf.placeholder(tf.float32, [100,], name="output_y1")  
21.   
22. def model(X, w):  
23.     return tf.multiply(X, w)  
24.   
25. w = tf.Variable(0.1, name='weights')  
26.   
27. with tf.name_scope("cost"):  
28.     y_model = model(X, w)  
29.     cost = tf.reduce_mean(tf.square(Y - y_model))  
30. tf.summary.scalar('loss', cost)  
31.   
32. with tf.name_scope("train"):  
33.     train_op = tf.train.AdamOptimizer(0.01).minimize(cost)  
34.   
35. with tf.name_scope("test_cost"):  
36.     y_model = model(X, w)  
37.     test_cost = tf.reduce_mean(tf.square(Y - y_model))  
38. tf.summary.scalar('test_loss', test_cost)  
39.   
40. merged = tf.summary.merge_all()  
41. with tf.Session() as sess:  
42.     tf.global_variables_initializer().run()  
43.     summary_writer = tf.summary.FileWriter('./log/train', sess.graph)  
44.     summary_writer1 = tf.summary.FileWriter('./log/test')  
45.     for i in range(1000):  
46.         feed_dict = {}  
47.         if i % 100 == 0:  
48.             print(sess.run(cost, feed_dict={X: trX, Y: trY}))  
49.             print(sess.run(test_cost, feed_dict={X: teX, Y: teY}))  
50.             summary, _ = sess.run([merged, test_cost], feed_dict={X: teX, Y: teY})  
51.             summary_writer1.add_summary(summary, i)  
52.         else:  
53.             summary, _ =sess.run([merged, train_op], feed_dict={X: trX, Y: trY})  
54.             summary_writer.add_summary(summary,i)  
55.     print(sess.run(w))  
56.     summary_writer.close()  
57.     summary_writer1.close()  
58.   
59.   
60.   
61. ''''' 
62. import tensorflow as tf 
63. import numpy as np 
64.  
65. trX = np.linspace(-1, 1, 100) 
66. trY = trX + np.random.randn(*trX.shape)*0.33 
67.  
68. teX = np.linspace(2, 3, 100) 
69. teY = teX + 1 
70.  
71. X = tf.placeholder(tf.float32, [100,], name="input_x") 
72. Y = tf.placeholder(tf.float32, [100,], name="output_y") 
73. X1 = tf.placeholder(tf.float32, [100,], name="input_x1") 
74. Y1 = tf.placeholder(tf.float32, [100,], name="output_y1") 
75.  
76. def model(X, w): 
77.     return tf.multiply(X, w) 
78.  
79. w = tf.Variable(0.1, name='weights') 
80.  
81. y_model = model(X, w) 
82. cost = tf.reduce_mean(tf.square(Y - y_model)) 
83. tf.summary.scalar('loss', cost) 
84. train_op = tf.train.AdamOptimizer(0.01).minimize(cost) 
85.  
86. y_model = model(X1, w) 
87. test_cost = tf.reduce_mean(tf.square(Y1 - y_model)) 
88. tf.summary.scalar('test_loss', test_cost) 
89.  
90. merged = tf.summary.merge_all() 
91. with tf.Session() as sess: 
92.     tf.global_variables_initializer().run() 
93.     summary_writer = tf.summary.FileWriter('./log', sess.graph) 
94.     for i in range(1000): 
95.         sess.run([train_op], feed_dict={X: trX, Y: trY, X1: teX, Y1: teY}) 
96.         if i % 100 == 0: 
97.             print(sess.run(cost, feed_dict={X: trX, Y: trY, X1: teX, Y1: teY})) 
98.             print(sess.run(test_cost, feed_dict={X: trX, Y: trY, X1: teX, Y1: teY})) 
99.         summary = sess.run(merged, feed_dict={X: trX, Y: trY, X1: teX, Y1: teY}) 
100.         summary_writer.add_summary(summary,i) 
101.     print(sess.run(w)) 
102.     summary_writer.close() 
103. '''