标签（空格分隔）： tensorflow
1.serializing the data
tensorboard的工作原理是通过读入tensorflow event file，这个文件里面存的是summary Data。
summary data 是从graph里面收集而来的，找到你想收集summary data的节点，在这个节点上添加tf.summary.scalar op，然后给scalar_summary加上一个tag。
比如你想直到mnist训练过程中学习率和目标函数的变化情况，就可以给learning rate 和loss function的输出节点各加上一个tf.summary.scalar的operation，然后给他们打上learning rate 和loss function的tag。
如果想看激励的分布，或者梯度、权重的分布，添加tf.summary.histogram
tensorflow中的op，如果你不运行它的话，它就在那里静止不动。所以我们创建的summary op，要先把他们结合成一个总的op，然后run。
tf.summary.merge_all: 结合所有的summary nodes- run: 会在给定的step生成所有summary Data的object protobuf,如果要写入，用tf.summary.FileWriter
可以每步都写入，也可以n步写入一次
tensorflowboard API
tf.scalar_summary(tags, values, collections=None, name=None)
tf.image_summary(tag, tensor, max_images=3, collections=None, name=None)
tf.audio_summary(tag, tensor, sample_rate, max_outputs=3, collections=None, name=None)
tf.histogram_summary(tag, values, collections=None, name=None)上述这组API分别对标量，图片，音频以及柱状图进行汇总统计，以Protocol Buffer结构进行表示。
代码怎么用还没看
加了summary的mnist
2.启动tensorboard
如果是源码安装的，按照如下方式启动
python path/to/tensorboard.py --logdir=path/to/log/dir我的tensorboard安装在
/home/lgy/anaconda2/envs/pycharm_tf/lib/python2.7/site-packages/tensorflow/tensorboard
我创建一个软链接
sudo ln -s /home/lgy/anaconda2/envs/pycharm_tf/lib/python2.7/site-packages/tensorflow/tensorboard/tensorboard.py /usr/local/bin/tensorboard
以后就可以直接用
tensorboard --logdir=path/to/log-directory一旦 TensorBoard 开始运行，你可以通过在浏览器中输入 localhost:6006 来查看 TensorBoard。
若果由pip安装到了系统目录，按照如下方式启动
3. tensorboard graph visualize
默认显示第一层namescope，里面包含了很多节点，要不然成千上万个节点，没法显示。
graph中有两种连接，一种是数据依赖 ，用实线连接，一种是控制依赖，用虚线连接
有些节点和其他节点有很多连接，比如初始化。如果都画上线，就会显得很乱。为了减少连线，使图像更加直观，可以用辅助节点来表示。
还有一个简化试图的方法是折叠，适用于结构相同，但是命名末尾数字不相同的节点。
Color有两种，Structure是结构视图，相同结构有相同的颜色，灰色节点的结构是唯一的
Device是设备视图，紫色代表GPU，绿色代表CPU
一些图标的意义如下图：
4. tensorboard histogram
主要是讲怎么是用tf.summary.histogram
比如说正太分布，如下图
the histogram at timestep 176 has a bin centered at 2.25 with 177 elements in that bin.
直方图的bin是指数分布的，这样就能应对很大的数了，并且重新采样数据使它变成均匀分布的bins
参考
tensorflow/README.md at r1.2 · tensorflow/tensorflow
Module: tf.summary | TensorFlow
TensorBoard: Visualizing Learning | TensorFlow
TensorBoard: Graph Visualization | TensorFlow
TensorBoard实践介绍（2017年TensorFlow开发大会） - YouTube