【tensorflow】tf.summary
在训练的时候，常常项想知道损失的变化，以及各层的训练状况。tensorflow提供了一个可视化工具tensorboard。使用tensorboard可以非常方便地观察损失的变化曲线，还可以观察训练速度等其他日志信息，达到实时监控训练过程的目的。
在训练的过程中，主要用到了tf.summary()的各类方法，能够保存训练过程以及参数分布图并在tensorboard显示。
1、tf.summary.scalar()
用来显示标量信息，其格式为：
tf.summary.scalar(tags, values, collections = None, name = None)例如：tf.summary.scalar('mean', mean)
一般在画loss, accuracy时会用到这个函数。
2、tf.summary.histogram()
用来显示直方图信息，其格式为：
tf.summary.histogram(tags, values, collections = None, name = None)例如：tf.summary.histogram('histogram', var)
一般用来显示训练过程中变量的分布情况
3、tf.summary.distribution()
分布图，一般用于显示weights分布
4、tf.summary.text()
可以将文本类型的数据转换为tensor写入summary中：
例如：
text = """/a/b/c\\_d/f\\_g\\_h\\_2017"""
summary_op0 = tf.summary.text('text', tf.convert_to_tensor(text))5、tf.summary.image
输出带图像的probuf，汇总数据的图像的形式如下：' tag /image/0', ' tag /image/1'...，如：input/image/0等。
格式如下：
tf.summary.image(tags, tensor, max_images = 3, collections = None, name = None)6、tf.summary.audio
展示训练过程中记录的音频
7、tf.summary.merge_all
merge_all 可以将所有summary全部保存到磁盘，以便tensorboard显示。如果没有特殊要求，一般用这一句就可以显示训练时的各种信息了
格式：
tf.summary.merge_all(key = 'summaries')8、tf.summary.FileWrite
指定一个文件用来保存图。
格式：
tf.summary.FileWrite(path, sess.graph)
可以调用其add_summary()方法将训练过程数据保存在filewrite指定的文件夹中
tensorflow summary用法示例：
tf.summary.scalar('accuracy', acc) #生成准确率标量图
merge_summary = tf.summary.merge_all()
train_write = tf.summary.FileWrite(dir, sess.graph)#调用train_writer的add_summary方法将训练过程以及训练步数保存
......
for step in xrange(training_step):
train_summary = sess.run(merge_summary, feed_dict = {})#调用sess.run运行图，生成一步的训练过程数据
train_write.add_summary(train_summary, step)#调用train_writer的add_summary方法将训练过程以及训练步数保存 此时开启tensorboard:
tensorboard --logdir=/summary_dir便能看见accuracy曲线了。
另外，如果我不想保存所有定义的summary信息，也可以用tf.summary.merge方法有选择性地保存信息
9、tf.summary.merge
格式：
tf.summary.merge(inputs, collections = None, name = None)一般选择要保存的信息还需要用到tf.get_collection()函数
示例：
tf.summary.scalar('accuracy',acc) #生成准确率标量图
merge_summary = tf.summary.merge([tf.get_collection(tf.GraphKeys.SUMMARIES,'accuracy'),...(其他要显示的信息)])
train_writer = tf.summary.FileWriter(dir,sess.graph)#定义一个写入summary的目标文件，dir为写入文件地址
......(交叉熵、优化器等定义)
for step in xrange(training_step): #训练循环
train_summary = sess.run(merge_summary,feed_dict = {...})#调用sess.run运行图，生成一步的训练过程数据
train_writer.add_summary(train_summary,step)#调用train_writer的add_summary方法将训练过程以及训练步数保存使用tf.get_collection函数筛选图中summary信息中的accuracy信息，这里的tf.GraphKeys.SUMMARIES 是summary在collection中的标志。
当然，也可以直接：
acc_summary = tf.summary.scalar('accuracy',acc) #生成准确率标量图
merge_summary = tf.summary.merge([acc_summary ,...(其他要显示的信息)]) #这里的[]不可省如果要在tensorboard中画多个数据图，需定义多个tf.summary.FileWriter并重复上述过程。