tensorbaord可视化原理分析2

本节主要总结TensorBoard可视化工具

tensorboard作用：

TensorBoard可以将训练过程中的各种绘制数据展示出来，包括标量（scalars），图片（images），

音频（Audio）,计算图（graph）,数据分布，直方图（histograms）和嵌入式向量。

为什么可以实现？

使用TensorBoard展示数据，首先需执行Tensorflow计算图，写入日志文件，同时输出一个writer类。

summary_op包括了summary.scalar、summary.histogram、summary.image等操作，这些操作输出的是各种

summary protobuf。

将各种类型的输出数据汇总并记录到日志文件中，通过summary.writer写入到event文件中。

使用TensorBoard读取这些日志文件，解析数据并生产数据可视化的Web页面，让我们可以在浏览器中观察各种汇总数据。

Tensorflow API中包含系列生成summary数据的API接口，这些函数将汇总信息存放在protobuf中，以字符串形式表达。

======1

1.对标量数据汇总和记录使用tf.summary.scalar，函数格式如下：

tf.summary.scalar(tags, values, collections=None, name=None)

一般在画loss,accuary时会用到这个函数。

2.使用tf.summary.histogram直接记录变量var的直方图，输出带直方图的汇总的protobuf，函数格式如下：

tf.summary.histogram(tag, values, collections=None, name=None）

3.输出带图像的probuf，汇总数据的图像的的形式如下： ' tag /image/0', ' tag /image/1', etc.，如：input/image/0等

tf.summary.image(tag, tensor, max_images=3, collections=None, name=None)

=====2

4.将上面几种类型的汇总再进行一次合并，具体合并哪些由inputs指定，格式如下：

tf.summary.merge(inputs, collections=None, name=None)

5.或者通过合并默认图形中的所有汇总，更简洁些，通常用这种方法：tf.summaries.merge_all() 返回一个merge，需要sess.run(merge)得到真实值

=====3
6.tf.summary.FileWriter返回一个SummaryWriter类，同时将计算图写入events文件
7.将汇总的protobuf写入到event文件中去的相关的类： SummaryWriter是一个类，它可以调用以下成员函数

来往event文件中添加相关的数据 add_summary(merge，global_step),
add_sessionlog(), add_event(),or add_graph()

这里注意，计算图形的信息通过add_graph写入到event文件中，为了restore加载graph，省的自己重写graph，
但是一般saver模型里面已经保存了graph，所以在写人events时候这个函数并没什么用，实际上2者关系不大。

restore照样可以加载graph。真正有用，是在最开始得到tf.summary.FileWriter返回一个SummaryWriter类时候，
那里指定了输入参数graph，则可以在tensorboard里面看到graph，否则只会写入events里，tensorboard看不到graph。

功能强大的代码建议看：

入门级代码看：

更详细函数分析请看：

参考

https://blog.csdn.net/smf0504/article/details/56369758