1. 感知器模型

因为小詹之前写过一篇感知器模型的介绍 ，这里就不赘述了 。有需要巩固的点击如下链接跳转即可 ：

深度学习神经网络之——感知器及其Python实现

2. tensorboard

TensorBoard 是 TensorFlow 自带的可视化结构管理和调试优化网络的工具 。在我们学习深度学习网络框架时 ，我们需要更直观的看到各层网络结构和参数 ，也可以更好的进行调试优化网络 。TensorBoard 可以实现网络结构的显示 ，也可以进行显示训练及测试过程中各层参数的变化情况 。

TensorBoard 界面如下 ：

我们可以看到顶部有几个功能分类 ：SCALARS 、GRAPHS 、HISTOGRAM 等 。

1. SCALARS 是训练参数统计显示 ，可以看到整个训练过程中 ，各个参数的变换情况 。
   
2. HISTOGRAM 是训练过程参数分布情况显示 。
   
3. GRAPHS 是网络结构显示 。
   
   

TensorBoard 基本操作介绍如下 ：

下面用一个最简单的例子来实现基础启动 。定义了两个常量相加的操作 ，运行后会在 log_test 文件夹中出现目标文件 。

之后我们需要在命令窗口启动 tensorboard 。方法在上边基础语法介绍中提及 。这里就小詹自己代码存放位置 ，可在命令窗口执行如下命令 ，得到一个网址（下图标出的部分），并在浏览器中打卡即可 。

在浏览器中打开该网址即可得到上述实例程序的 graph 信息 。

举例比较简单 ，但是并不说明 TensorBoard 不重要 。事实上 ，基于 TensorBoard ，我们可以直观的看到各层网络结构和参数，也可以更好的进行调试优化网络。