1. 基础概念

TensorBoard 是Tensorflow的可视化结构管理工具

2. 可视化基础（tf.summary）

2.1. 得到需要可视化的数据

使用tf.summary类下的子类机以实现如下功能：
1. 将输入的Tensor信息生成Tensor.proto格式的二进制文件
2. 返回dtype=tf.string,shape=() ,内容为Tensor.proto格式的二进制文件信息（Summary protobuf）的Tensor

2.1.1. 标量

# 1. 记录 标量
scalar_summary=tf.summary.scalar(name, tensor, collections=None)
# tensor: 标量 /一个数 A real numeric Tensor containing a single value
type(scalar_summary)
>>> tensorflow.python.framework.ops.Tensor
scalar_summary.dtype
>>> tf.string
scalar_summary.shape
>>>()

2.1.2. 图片

# 2. 记录 图片
image_summary=tf.summary.image(name, tensor, max_outputs=3, collections=None, family=None)
# tensor：tensor dtype=`uint8` or `float32`;shape=[batch_size, height, width, channels],其中`channels` 只能是 1, 3, or 4.

2.1.3. 音频

audio_summary=tf.summary.audio(name, tensor, collections=None) 
# tensor: A 3-D `float32` `Tensor` of shape `[batch_size, frames, channels]`or a 2-D `float32` `Tensor` of shape `[batch_size, frames]`

2.1.4. 文本

text_summary=tf.summary.text(name, tensor, collections=None)
# tensor: a string-type Tensor to summarize.

2.1.5. 直方图数据

histogram_summary=tf.summary.histogram(name, values, collections=None, family=None)
#values: 数字类型的Tensor 
# A real numeric `Tensor`. Any shape. Values to use to build the histogram.

2.1.6. 分布图数据

(未确定)

distribution_summary=tf.summary.distribution (记录 数据的分布图)

2.2. 语法糖--快捷操作所有可视化数据

上面的每一个op 都是构建图的一部分，没有会话的执行sess.run 都不会计算

为了会话计算方便，可以把上面所有在默认图中的 summaries op 合并为一个

summary_op=tf.summary.merge_all(name=None)

type(summary_op)
>>>tensorflow.python.framework.ops.Tensor

2.3. 将输出的数据都保存到本地磁盘中

这是一个命令，不是op，不需要通过sess run运行。

filewriter=tf.summary.FileWriter(file_save_dir_path, graph=None, max_queue=10, flush_secs=120, graph_def=None, filename_suffix=None, session=None)

>>>type(filewriter)
tensorflow.python.summary.writer.writer.FileWriter

执行filewriter命令，会在 file_save_dir_path 目录下保存一个 events.out.tfevents文件，文件名称为： events.out.tfevents.{time}.{machine-name}

3. 使用Tensorboard

3.1. 安装

通过conda 安装 tensorflow 自动安装 Tensorboard

3.2. 运行

3.2.1. 命令行运行

tensorboard --logdir=<dir_path> --host=<ip>

tensorboard --logdir=g:\code\Projects\AI\Competation\Kaggle\003_MNIST_3\log\train --host=127.0.0.1

3.2.2. jupyter 运行

%%tensorborad

3.3. 注意事项

3.3.1. 字符串的书写

注意不要以\ 结尾，可以不用加双引号" " /单引号 ''

windows 下磁盘名称小写

3.3.2. 多项目同时在tensorboard显示

多项目同时在tensorboard显示需要合理设置文件目类结构，正确的文件目录结构<dir_path>如下说明：

--<dir_path>
    |__Project_1_dir_name
    |    |___events.out.tfevents.{time1}.{machine-name}
    |__Project_2_dir_name
        |___events.out.tfevents.{time2}.{machine-name}

若结构不正确，则出现warning

--<dir_path>
    |__Project_1_dir_name
         |___events.out.tfevents.{time1}.{machine-name}
         |___events.out.tfevents.{time2}.{machine-name}
# 若 <dir_path> 结构不正确，则 出现warning 
>>>
Found more than one metagraph event per run. Overwriting the metagraph with the newest event.

4. 可视化进阶

4.1. 同时可视化 Val Train data 数据

summary_writer1 = tf.summary.FileWriter('./log/train', sess.graph)
summary_writer2 = tf.summary.FileWriter('./log/test')