利用TensorBoard中GRAPHS栏、EVENTS栏、IMAGES栏、AUDIO栏和HISTOGRAMS栏可视化一些监控指标，将TensorFlow程序运行时的信息输出到TensorBoard日志文件中。
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
SUM_MARY_DIR="f:\path\to\log"
BATCH_SIZE=100
TRAINING_STEPS=30000
#生成变量监控信息并定义生成监控信息日志的操作。其中var给出了需要记录的张量，name给出了可视化结果中显示的图表名称，这个名称一般与变量名一致。
def variable_summaries(var,name):
#将生成监控信息的操作放到同一个命名空间下
with tf.name_scope("summaries"):
#通过tf.histogram_summary函数记录张量中元素的取值分布。对于给出的图表名称和张量，tf.histogram_summary函数会生成一个Summary
#protocol buffer。将Summary写入TensorBoard日志文件后，可以在HISTOGRAMS栏中看到对应名称的图表。tf.histogram_summary函数不会
#立刻被执行，只有当sess.run函数明确调用这个操作时，TnesorFlow才会真正生成并输出Summary protocol buffer
tf.summary.histogram(name,var)
#计算变量的平均值，并定义生成平均值信息日志的操作。记录变量平均值信息的日志标签名为'mean/'+name，其中mean为命名空间，/是
#命名空间的分隔符。name则给出了当前监控指标属于哪一个变量
mean=tf.reduce_mean(var)
tf.summary.scalar('mean/'+name,mean)
#计算变量的标准差，并定义生成其日志的操作
stddev=tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
tf.summary.scalar('stddev/'+name,stddev)
#生成一层全连接层神经网络
def nn_layer(input_tensor,input_dim,output_dim,layer_name,act=tf.nn.relu):
#将同一层神经网络放在一个统一的命名空间下
with tf.name_scope(layer_name):
#声明神经网络边上的权重，并调用生成权重监控信息日志的函数
with tf.name_scope('weights'):
weights=tf.Variable(tf.truncated_normal([input_dim,output_dim],stddev=0.1))
variable_summaries(weights,layer_name+'/weights')
#声明神经网络的偏置项，并调用生成偏置项监控信息日志的函数
with tf.name_scope('biases'):
biases=tf.Variable(tf.constant(0.0,shape=[output_dim]))
variable_summaries(biases,layer_name+'/biases')
with tf.name_scope('Wx_plus_b'):
preactivate=tf.matmul(input_tensor,weights)+biases
#记录神经网络输出节点在经过激活函数之前的分布
tf.summary.histogram(layer_name+'/pre_activations',preactivate)
activations=act(preactivate,name='activation')
#记录神经网络输出节点在进过激活函数之后的分布
tf.summary.histogram(layer_name+'/activations',activations)
return activations
def main(_):
mnist=input_data.read_data_sets("/tmp/data",one_hot=True)
#定义输入
with tf.name_scope('input'):
x =tf.placeholder(tf.float32,[None,784],name="x-input")
y_=tf.placeholder(tf.float32,[None,10],name="y-input")
#将输入向量还原成图片的像素矩阵，并通过tf.image_summary函数定义将当前的图片信息写入日志的操作
with tf.name_scope('input_reshape'):
image_shaped_input=tf.reshape(x,[-1,28,28,1])
tf.summary.image('input',image_shaped_input,10)
hidden1=nn_layer(x,784,500,'layer1')
y=nn_layer(hidden1,500,10,'layer2',act=tf.identity)
#计算交叉熵并定义交叉熵监控日志的操作
with tf.name_scope('cross_entropy'):
cross_entropy=tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1)))
tf.summary.scalar('cross_entropy',cross_entropy)
with tf.name_scope('train'):
train_step=tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
#计算模型在当前给定数据上的正确率，并定义生成正确率监控日志的操作。如果在sess.run时给定的数据是训练batch,那么得到的正确率、
#就是在这个训练batch上正确率；如果给定的数据是验证或测试数据,那么得到的正确率就是当前模型在验证或者测试数据上的正确率；
with tf.name_scope('accuracy'):
with tf.name_scope('correct_prediction'):
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
with tf.name_scope('accuracy'):
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
tf.summary.scalar('accuracy',accuracy)
#和TensorFlow中其他操作一样，tf.scalar_summary、tf.histogram_summary和tf.image_summary函数都不会立即执行，需要通过
#sess.run函数来明确调用这些函数。Tensorflow提供了tf.merge_all_summaries函数来整理所有的日志生成操作。在Tensorflow程序执行
#的过程中只需要运行这个操作就可以将代码中定义的所有日志生成操作执行一次，从而将所有日志写入文件
merged=tf.summary.merge_all()
with tf.Session() as sess:
#初始化写文件的writer，并将当前计算图写入日志
summary_writer=tf.summary.FileWriter(r'f:\path\to\log',sess.graph)
tf.global_variables_initializer().run()
for i in range(TRAINING_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})
#将所有日志写入文件，TensorBoard程序就可以拿到这次运行所对应的运行信息。
summary_writer.add_summary(summary,i)
summary_writer.close()
#Tensorflow提供的一个主程序入口，tf.app.run会调用上面定义的main函数。
if __name__ == '__main__':
tf.app.run()
使用TensorBoard展示标量监控信息的默认界面如下：
展开标量监控界面中的监控内容后得到的页面如下：
展开accuracy监控标量时的放大图如下：
通过TensorFlow可视化训练图像，实时观测程序中最新使用的训练或测试图像：
TensorFlow最后一栏提供了对张量分布的可视化界面。通过这个界面，可以直观地观察到不同神经网络中参数的取值变化。可视化张量取值分布效果图如下：
