github上的tensorboard项目：https://github.com/tensorflow/tensorboard/blob/master/README.md

目录

• 基础介绍
• 基本使用
• 几种图
• 实例源码

一、基本介绍

tensorboard：一个网页应用，可以方便观察TensorFlow的运行过程和网络结构等（过程可视化）

工作流程

• Summary Ops：从TensorFlow获取数据

Ops是指tf.matmul、tf.nn.relu等，也就是在TensorFlow图中的操作

执行过程中的张量包含序列化的原始缓存，它会被写到磁盘并传给TensorBoard。然后需要执行summary op，来恢复这些结果，实现对TensorBoard中的数据可视化

summary ops包括：tf.summary.scalar, tf.summary.image, tf.summary.audio, tf.summary.text, tf.summary.histogram

• tags：给数据一个名字

当进行summary op时，也可以给一个tag。这个tag是该op记录的数据的名字，作为一种标识

• Event Files和logDir：如何加载数据

summary.FileWriters从TensorFlow把summary 数据写到磁盘中特定的目录，也就是logDir。数据是以追加的方式写入，文件名中有"tfevents"。TensorBoard从一个完整的目录中读取数据，并组织成一次TensorFlow执行过程

说明

• 为什么不是从一个独立文件读取？

如果你用superviosr.py来跑模型，当TensorFlow崩溃，superviso将从一个checkpoint重新开始跑。因为重新开始，就会产生一个新的event 文件，然后TensorBoard就可以把这些不同的event文件组织成一个连续的历史

• 执行：比较模型的不同执行

比如对某个超参数做了调整，想要比较该超参数不同值的执行效果。希望可视化的时候，可以同时展示这两个效果

实现方法：给TensorBoard传一个参数logdir，它将递归查找，每次遇到一个子目录，就会把它当成一个新的执行。

例：下面有run1和run2两个结果

二、基本操作

1. 定一个writer（log位置），用来写summary结果：train_writer = tf.summary.FileWriter("./resource/logdir", sess.graph)
2. 对要统计的变量使用summary操作：比如               tf.summary.scalar("accuarcy_train", accuracy_train)  对精确度的统计，第一个参数是名字，第二个参数是变量名
3. 把所有summary操作merge起来：                           merged = tf.summary.merge_all()
4. 执行过程中fetch merged获得想要的变量值：        summary, _ = sess.run([merged, train_step], feed_dict={x: batch_xs, y_: batch_ys})
5. 把第i次迭代的结果summary添加到train_writer：   train_writer.add_summary(summary, i)
6. 关闭写                                                                       train_writer.close()

7. 启动tensorboard

   • windows：进入{path}/Anaconda/Scripts，执行 ./tensorboard.exe --logdir={path}/resource/logdir/
   • ubuntu：进入{path}/Anaconda/envs/tensorflow/bin，执行 ./tensorboard --logdir={path}/resource/logdir/

　　　根据提示，访问网页即可结果

三、几种图

Scalar Dashboard: tf.summary.scalar

将标量值随时间时间变化进行可视化，如losss或学习率

Histogram Dashboard: tf.summary.histogram

张量随时间变化的分布情况。每个图表是数据的临时切片，每个切片是特定一步的张量的柱状图。越早的时间步结果越靠后

overlay-step                                                                                                     offset-step

Distribution Dashboard: tf.summary.histogram

tf.summary.histogram的另一种展示方式。每一行代表一个值随时间步的变化情况。最下面是最小的值，向上值不断增大。每一列代表一个时间步中值的取值范围

Image Dashboard：tf.summary.image

展示png图像，每一行对应不同的tag，每一列是一个执行。tf.summary.image("images", tf.reshape(input_images, [100, 28, 28, 1]))

Audio Dashboard：tf.summary.audio(没用过)

嵌入可播放的音频容器。每行对应不同的tag，每列是一次运行。总是嵌入最新的一次结果

Graph Explorer

对TensorFlow模型的可视化

Embedding Projector

展示高维度的数据。projector是从模型的checkpoint文件读取数据，也可以用其他metadata配置，比如词汇表或雪碧图

Text Dashboar(没用过)

四、实例源码

 def tensorboard():

     # None表示此张量的第一个维度可以是任何长度的

     x = tf.placeholder("float", [None, 784])

     y_ = tf.placeholder("float", [None, 10])  # 标签，正确结果

     # 初始化两个参数

     W = tf.Variable(tf.zeros([784, 10]))

     b = tf.Variable(tf.zeros([10]))

     m = [1,2,3,4,5,6]

     tf.summary.histogram("xx", b)

     # softmax函数

     y = tf.nn.softmax(tf.matmul(x, W) + b)  # 执行结果

     # 交叉熵，成本函数

     # tf.reduce_sum 计算张量的所有元素的总和

     cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

     # 梯度下降法来优化成本函数

     # 下行代码往计算图上添加一个新操作，其中包括计算梯度，计算每个参数的步长变化，并且计算出新的参数值

     train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

     init = tf.initialize_all_variables()

     mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

     prediction_train = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

     accuracy_train = tf.reduce_mean(tf.cast(prediction_train, "float"))

     tf.summary.scalar("accuarcy_train", accuracy_train)

     # 显示图像

     batch_xs, batch_ys = mnist.train.next_batch(100)

     tf.summary.image('images', tf.reshape(batch_xs, [100, 28, 28, 1]))

     # 用于tensorboard

     merged = tf.summary.merge_all()

     with tf.Session() as sess:

         sess.run(init)

         train_writer = tf.summary.FileWriter("./resource/mnist_logs", sess.graph)

         # 循环遍历1000次训练模型

         for i in range(1000):

             # 每一步迭代加载100个训练样本，然后执行一次train_step，并通过feed_dict将x 和 y张量占位符用训练训练数据替代

             summary, _ = sess.run([merged, train_step], feed_dict={x: batch_xs, y_: batch_ys})

             if i % 10 == 0:

                 train_writer.add_summary(summary, i)

                 for index, d in enumerate(m):

                     m[index] -= 0.1

             batch_xs, batch_ys = mnist.train.next_batch(100)

         train_writer.close()

         correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

         accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

         print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))