1、tf.summary.image(name, tensor, max_outputs=3, collections=None, family=None)
可视化当前使用的训练、测试图片

参数：
name：生成的节点的名称。也将作为TensorBoard中的系列名称。
tensor：uint8或者float32型的4-D Tensor[batch_size, height, width, channels]，其中channels为1， 3 或者4。
max_outpus：要生成图像的最大批处理元素数。
collections：ops.GraphKeys的可选列表。要添加摘要的集合。默认为[_ops.GraphKeys.SUMMARIES]。
family：可选的; 如果提供，则用作摘要标记名称的前缀，该名称控制用于在Tensorboard上显示的选项卡名称。

tf.summary.image('input', image_shaped_input, 10) 

2、tf.summary.scalar(tags, values, collections=None, name=None)
监控标量数据随迭代进行的变化趋势。一般是cross_entropy、loss、accurary等

tf.summary.scalar('accuracy', accuracy)

3、tf.summary.merge_all()
将所有summary全部保存到磁盘，以便tensorboard显示

merged = tf.summary.merge_all()

4、 tf.summary.FileWriter(path,sess.graph)
生成一个写日志的writer，并将当前的计算图写入日志

summary_writer = tf.summary.FileWriter(SUMMARY_DIR, sess.graph)

5、summary_writer.add_summary(merged，step)
调用summary_writer的add_summary方法将训练过程以及训练步数保存

        for i in range(TRAIN_STEPS):
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            # 运行训练步骤以及所有的日志生成操作，得到这次运行的日志。
            summary, _ = sess.run([merged, train_step], feed_dict={x: xs, y_: ys})
            # 将得到的所有日志写入日志文件，这样TensorBoard程序就可以拿到这次运行所对应的
            # 运行信息。
            # merged为所有summary，i为step
            summary_writer.add_summary(summary, i)

6、tf.summary.histogram(tags, values, collections=None, name=None)
用来显示直方图信息，一般用来显示训练过程中变量的分布情况

tf.summary.histogram(‘weights’, var)

参考资料：
https://blog.csdn.net/baymax_007/article/details/85249432