这里写图片描述

1.命名空间与Tensorboard图上的节点（图结构）

实线边表示数据传输，边上箭头表达了数据传输的方向,如：layer1→layer2。
双向箭头(tf=1.0)或黄色箭头（tf=1.4）表示修改关联，如：train_step会修改记录训练连迭代轮数的Variable，moving_average会滑动修改layer1与layer2的权重。
灰色实线上的数字表示张量tensor传递的维度尺寸，如？x748,?x500,?x10,以上均只有一个tensor，？表示batch的大小。
当tensor的个数大于1时，可视化效果图上将只显示张量的个数，如4 tensors，8 tensors。
边上的粗细表示两个节点传输的标量维度的总大小，而不是传输的标量个数。
moving_average与train_step→虚线表示依赖关系：
tf.control_dependencies函数指定了更新参数滑动平均值的操作和通过反向传播更新变量的操作需要同时进行，于是moving_average与train_step之间存在一条虚线。

with tf.control_dependencies([train_step, variables_averages_op]):
            train_op = tf.no_op(name='train')

如果两个节点有相同的结构，则它们会被涂上相同的颜色。
矩形=命名空间，椭圆=节点

2.节点信息（时间、空间、设备）

# 训练模型。
  with tf.Session() as sess:
      tf.global_variables_initializer().run()
      for i in range(TRAINING_STEPS):
          print('Traing Steps: %d'%(i+1))
          xs, ys = mnist.train.next_batch(BATCH_SIZE)

          if i % 1000 == 0:
              # 配置运行时需要记录的信息。
              run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
              # 运行时记录运行信息的proto。
              run_metadata = tf.RunMetadata()
              _, loss_value, step = sess.run(
                  [train_op, loss, global_step], feed_dict={x: xs, y_: ys},
                  options=run_options, run_metadata=run_metadata)
              writer.add_run_metadata(run_metadata=run_metadata, tag=("tag%d" % i), global_step=i)
              print("After %d training step(s), loss on training batch is %g." % (step, loss_value))
          else:
              _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys})

  writer.close()

1.查看每个节点的时间开销：Session runs选择迭代轮数较大的数据作为不同计算节点的时间/空间消耗标准，这样可以减少Tensorflow初始化对性能的影响。虽然选择Compute time。
这里写图片描述

2.查看每个节点的空间开销：Session runs选择迭代轮数较大的数据作为不同计算节点的时间/空间消耗标准，这样可以减少Tensorflow初始化对性能的影响。虽然选择Memory。
这里写图片描述

3.查看每个节点的设备开销：Session runs选择迭代轮数较大的数据作为不同计算节点的时间/空间消耗标准，这样可以减少Tensorflow初始化对性能的影响。虽然选择TPU Compatibility。
这里写图片描述

3.监控指标可视化

Tensorboard除了可视化上述的GRAPH之外还可以可视化EVENTS, IMAGES,AUDIO,HISTOGRAMS
这里写图片描述


# coding: utf-8

# In[1]:


import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data


# ####  1. 生成变量监控信息并定义生成监控信息日志的操作。

# In[2]:


SUMMARY_DIR = "log2"
BATCH_SIZE = 100
TRAIN_STEPS = 3000

def variable_summaries(var, name):
    with tf.name_scope('summaries'):
        tf.summary.histogram(name, var)
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean/' + name, mean)
        stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev/' + name, stddev)  


# #### 2. 生成一层全链接的神经网络。 

# In[3]:


def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
    with tf.name_scope(layer_name):
        with tf.name_scope('weights'):
            weights = tf.Variable(tf.truncated_normal([input_dim, output_dim], stddev=0.1))
            variable_summaries(weights, layer_name + '/weights')
        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
            tf.summary.histogram(layer_name + '/pre_activations', preactivate)
        activations = act(preactivate, name='activation')        

        # 记录神经网络节点输出在经过激活函数之后的分布。
        tf.summary.histogram(layer_name + '/activations', activations)
        return activations


# In[4]:


def main():
    mnist = input_data.read_data_sets("../../datasets/MNIST_data", one_hot=True)

    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')

    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)

    with tf.name_scope('cross_entropy'):
        cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_))
        tf.summary.scalar('cross_entropy', cross_entropy)

    with tf.name_scope('train'):
        train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

    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)

    merged = tf.summary.merge_all()

    with tf.Session() as sess:

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

        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。
            summary_writer.add_summary(summary, i)

    summary_writer.close()


# In[5]:


if __name__ == '__main__':
    main()