TensorFlow提供了一个可视化工具TensorBoard，他的作用是可以把复杂的训练过程可视化，可以更好理解、调优、优化程序。TensorBoard可以将训练过程中的各种该数据展示出来，包括标量、图片音频，计算图，数据分布、直方图和嵌入式向量。他会自动读取最新的TensorFlow日志文件，呈现当前的程序运行的最新状态。

TensorFlow提供了一系列API来生成这些数据，具体如表3所示。

表3 模型操作相关函数

函   数	说   明
tf.summary.scalar(tags,values,collections=None, name=None)	标量数据汇总，输出protobuf
tf.summary.histogram(tags,values,collections=None, name=None)	记录变量var的直方图，输出带直方图的汇总的protobuf
tf.summary.image(tags,tensor,max_images=3 ,collections=None,name=None)	图像数据汇总，输出protobuf
tf.summary.merge(inputs,,collections=None, name=None)	合并所有的汇总日志
tf.summary.FileWriter	创建SummaryWriter
class SummaryWriter: add_summary(),add sessionlog(),add_event(),or add_graph()	将protobuf写入文件的类

 

实例：线性回归的TensorBoard可视化

为线性回归模型添加支持输出TensorBoard信息的功能，演示通过TensorBoard来观察训练过程。本例在线性回归模型上做少量改动，使其添加支持TensorFlow的功能。第一步加入到summary,第二步写入文件。

将模型的生成值加入到直方图数据中，将损失值加入到标量中，代码如下：

代码13 线性回归模型的TensorBoard可视化

运行代码后生成的路径下会多出如图5所示文件：

图5 summary文件

然后打开终端，来到summary日志的上一级目录下，输入代码：tensorboard --logdir=mnist_with_summaries 回车之后会出现如图6结果：

图6 启动TensorBoard

复制网址到浏览器（建议使用Chrome浏览器），即可看到如图7TensorBoard界面。

图7 TensorBoard界面

单击SCALARS，会看大之前创建的loss_fuction如图8：

图8 TensorBoard标量