摘要：代表圖中的一個節點，用于計算張量數據可以由節點構造器與產生。例如表示創建了一個類型為的，該接收和作為輸入，而產生作為輸出。是否能在該作用域內創建新對象由決定。

tensorboard是tensorflow自帶的一個強大的可視化工具，也是一個web應用套件支持七種可視化包括 SCALARS(標量)、IMAGES(圖像)、AUDIO(音頻)、GRAPHS(數據流圖)、DISTRIBUTIONS(訓練數據分布圖)、HISOGRAMS(訓練過程中數據的柱狀圖)和EMBEDDINGS(展示詞向量的投影分布)

Tensorflow的計算表現為數據流圖，因此tf.Graph類中包含了一系列表示計算的操作對象（tf.Operation）,以及操作之間的流動的數據(tf.Tensor)。tf.Operation代表圖中的一個節點，用于計算張量數據可以由節點構造器（tf.add）與tf.Graph.creat_op()產生。tf.Tensor是操作輸出的符號句柄，不包含輸出的的值，而是提供tf.Session來計算這些值的方法，這樣就能構建一個數據流連接。例如c = tf.matmul(a, b)表示創建了一個類型為MatMul的Operation，該Operation接收Tensor a和Tensor b作為輸入，而產生Tensor c作為輸出。
在可視化的時候還需要給必要的節點添加摘要（summary），摘要會收集節點的數據，并且標記上第幾步時間戳等寫入事件文件(event file),tf.sunmmary.FileWriter類用于在目錄中創建事件文件，并且向摘要中添加摘要和事件。如train_writer.add_summary(summary,i)。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
class tensorboard(object):

#用來生成核函數
def weight_variable(self,shape):
    weight=tf.truncated_normal(shape=shape,stddev=0.1)
    return tf.Variable(weight)
#用來生成偏置項的分布
def bias_variable(self,shape):
    bias=tf.constant(0.0,dtype=tf.float32,shape=shape)
    return tf.Variable(bias)
    

初始化某個結構層，其中我們使用tf.name_scope來創建作用域，它和tf.variable_scope的區別在于tf.name_scope只能給op_name加前綴，tf.variable_scope不僅僅可以給op_name還能給variable_name加前綴同時簡要說明tf.Variable和tf.get_Variable的區別，簡而言之就是tf.Variable每次都直接新建一個變量，但是tf.get_Variable先檢查，如果有的話就直接返回該變量對象，否則創建對象。是否能在該作用域內創建新對象由tf.get_Variable決定。
再使用variable_summaries函數來創建該層的一些信息

def nn_layer(self,input_tensor,input_dim,output_dim,layer_name,act=tf.nn.relu):
    with tf.name_scope(layer_name):
        with tf.name_scope("weight"):
            weights=self.weight_variable([input_dim,output_dim])
            self.variable_summaries(weights)
        with tf.name_scope("bias"):
            bias=self.weight_variable([output_dim])
            self.variable_summaries(bias)
        with tf.name_scope("Wx_plus_b"):
            preactivate=tf.nn.bias_add(tf.matmul(input_tensor,weights),bias)
            #tf.summary是給必要的節點添加摘要，摘要會收集該節點的數據，在這個位置收集數據并              #且使用histogram繪制出來，效果如下圖
            tf.summary.histogram("preactivate",preactivate)
        activations=act(preactivate,name="activation")
        tf.summary.histogram("activation",activations)
        return activations

接下來說明我們摘要應該包含的數據，即標量由均值、方差、最小值、最大值，同時繪制輸入的張量數據的圖分布

def variable_summaries(self,var):
    with tf.name_scope("sunmmaries"):
        mean=tf.reduce_mean(var)
        tf.summary.scalar("mean",mean)
        with tf.name_scope("stddev"):
            stddev=tf.sqrt(tf.reduce_mean(tf.square(var-mean)))
        tf.summary.scalar("stddev",stddev)
        tf.summary.scalar("max",tf.reduce_max(var))
        tf.summary.scalar("min",tf.reduce_min(var))
        tf.summary.histogram("histogram",var)
        

效果如下圖，雖說訓練存在問題，但是目標僅僅是為了畫圖

接下來是初始化函數，不做多講

def __init__(self,max_steps=500,learning_rate=0.01,drop_out=0.9,batch_size=256):
    self.max_steps=max_steps
    self.learning_rate=learning_rate
    self.drop_out=drop_out
    self.log_dir="mnist_with_summaries"
    self.batch_size=batch_size
    self.mnist=input_data.read_data_sets("MNIST_data/",one_hot=True,source_url="http://yann.lecun.com/exdb/mnist/")
    

以下定義了結構信息，定義了圖中的節點

def construct(self):
    with tf.name_scope("input"):
        self.x=tf.placeholder(dtype=tf.float32,shape=[self.batch_size,784],name="X_input")
        self.y_=tf.placeholder(dtype=tf.float32,shape=[self.batch_size,10],name="y_input")
    with tf.name_scope("input_shape"):
        image_shaped_input=tf.reshape(self.x,shape=[self.batch_size,28,28,1])
        tf.summary.image("input",image_shaped_input,10)
    hidden1=self.nn_layer(self.x,784,500,"layer1")
    with tf.name_scope("drop_out"):
        self.keep_prob=tf.placeholder(dtype=tf.float32)
        tf.summary.scalar("dropout_keep_prob",self.keep_prob)
        dropped=tf.nn.dropout(hidden1,keep_prob=self.keep_prob)
    y=self.nn_layer(dropped,500,10,"layer2",act=tf.identity)
    with tf.name_scope("cross_entropy"):
        diff=tf.nn.softmax_cross_entropy_with_logits(logits=y,labels=self.y_)
        with tf.name_scope("total"):
            cross_entropy=tf.reduce_mean(diff)
    tf.summary.scalar("cross_entropy",cross_entropy)
    with tf.name_scope("train"):
        self.train_step=tf.train.AdamOptimizer(self.learning_rate).minimize(cross_entropy)
    with tf.name_scope("accuracy"):
        with tf.name_scope("correct_prediction"):
            correct_prediction=tf.equal(tf.argmax(y),tf.argmax(self.y_))
        with tf.name_scope("accuracy"):
            self.accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    tf.summary.scalar("accuracy",self.accuracy)
    

上面的代碼定義了大部分的節點名稱，并且也添加了標量的摘要如accuracy等,accuracy的圖不再贅述，接下來就是在運行的過程中繪制剛剛的標量和圖表信息

    #為了釋放TensorBoard所使用的事件文件（events file），所有的即時數據（在這里只有一個）都要在圖表構建階段合并至一個操作（op）中。
    merged=tf.summary.merge_all()
    session=tf.Session()
    #用于將Summary寫入磁盤，需要制定存儲路徑logdir，如果傳遞了Graph對象，則在Graph Visualization會顯示Tensor Shape Information
    train_writer=tf.summary.FileWriter(self.log_dir+"/train",session.graph)
    test_writer=tf.summary.FileWriter(self.log_dir+"/test")
    init=tf.global_variables_initializer()
    session.run(init)
    saver=tf.train.Saver()
    for i in range(self.max_steps):
        if i%100==0:
            #繪制之前的所有的圖表以及標量信息
            summary,acc=session.run([merged,self.accuracy],feed_dict=self.feed_dict(False))
            test_writer.add_summary(summary,i)
            print("Accuracy at step %s: %s"%(i,acc))
        else:
            if i==499:
                #定義本模型的運行選項，并不加限制并且操作元數據，為描述數據的數據（data about data），主要是描述數據屬性（property）的信息，用來支持如指示存儲位置、歷史數據、資源查找、文件記錄等功能。
                run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
                run_metadata=tf.RunMetadata()
                summary,_=session.run([merged,self.train_step],feed_dict=self.feed_dict(True),options=run_options,run_metadata=run_metadata)
                train_writer.add_run_metadata(run_metadata,"step%03d"%i)
                train_writer.add_summary(summary,i)
                print("Adding run metadata for",i)
            else:
                summary,_=session.run([merged,self.train_step],feed_dict=self.feed_dict(True))
                train_writer.add_summary(summary,i)
                if i%99==0:
                    print("at train step")
    train_writer.close()
    test_writer.close()
def extract(self,x,y):
    sample_num=self.mnist.train.num_examples
    idx=np.random.randint(low=0,high=(sample_num-self.batch_size))
    return x[idx:(idx+self.batch_size)],y[idx:(idx+self.batch_size)]
def feed_dict(self,train):
    if train:
        xs,ys=self.mnist.train.next_batch(self.batch_size)
        k=self.drop_out
    else:
        xs,ys=self.extract(self.mnist.train.images,self.mnist.train.labels)
        k=1.0
    return {self.x:xs,self.y_:ys,self.keep_prob:k}
    

Tensorboard作為對TensorFlow訓練過程的分析，可以對模型的問題作出更快的判斷，可以加快模型的優化，應當盡量多采用