运行神经网络时，跟踪网络参数，以及输入输出是很重要的，可据此判断模型是否在学习，损失函数的值是否在不断减小。Tensorboard通过可视化方法，用于分析和调试网络模型。

使用tensorboard的流程：

1、构建计算流图，即完成代码部分

2、为要观察的操作节点添加summary

3、使用sess.run()启动计算流图

4、在anaconda prompt下启动tensorboard，如：tensorboard --logdir=***，其中***表示存放log的目录

5、在浏览器下查看可视化结果

 

• tf.summary.scalar(name, tensor, collections=None)：记录标量，如loss，accuracy，learning_rate等
• tf.summary.histogram(name, tensor, collections=None)：记录权重、输出、梯度的分布情况
• Tf.summary.image(name, tensor, max_outputs=3, collections=None): 记录图片数据
• Tf.summary.audio(name, tensor, sample_rate, max_outputs=3, collections=None): 记录音频数据
• Tf.summary.text(name, tensor, collections=None): 记录文本数据
• tf.summary.merge_all/tf.summary.merge(inputs, collections=None, name=None)：合并所有/指定变量
• tf.summary.FileWriter：写入summary文件

 

import tensorflow as tf

import numpy as np

# 输出数字0-9

one = tf.constant(1.0)

digit_value = tf.Variable(0.0, name='digit_value')

new_digit_value = tf.add(digit_value, one)

step = tf.assign(digit_value, new_digit_value)

for value in [digit_value]:

    tf.summary.scalar(value.op.name, value) # 添加要显示在tensorboard的标量

summaries = tf.summary.merge_all()

with tf.Session() as sess:

    summary_writer = tf.summary.FileWriter('log', sess.graph) # 保存数据流图到文件夹log中

    sess.run(tf.global_variables_initializer())

    for i in range(10):

        summary_writer.add_summary(sess.run(summaries)) # 添加summaries图表到tensorboard中

        print(sess.run(digit_value))

        sess.run([new_digit_value, step])

显示效果：