TensorBoard 是如何工作的？
简单来说，TensorBoard 是通过一些操作（summary operations）将数据记录到文件（event files）中，然后再读取文件来完成作图的。想要在浏览器上看到 TensorBoard 页面，大概需要这几步：
summary。在定义计算图的时候，在适当的位置加上一些 summary 操作 。
merge。你很可能加了很多 summary 操作，我们需要使用 tf.summary.merge_all 来将这些 summary 操作聚合成一个操作，由它来产生所有 summary 数据。
run。在没有运行的时候这些操作是不会执行任何东西的，仅仅是定义了一下而已。在运行（开始训练）的时候，我们需要通过 tf.summary.FileWriter() 指定一个目录来告诉程序把产生的文件放到哪。然后在运行的时候使用 add_summary() 来将某一步的 summary 数据记录到文件中。
当训练完成后，在命令行使用 tensorboard --logdir=path/to/log-directory 来启动 TensorBoard，按照提示在浏览器打开页面，注意把 path/to/log-directory 替换成上面指定的目录。
1. tf.summary.histogram(生成Histogram 和distribution),
代码示例：
tf.summary.histogram('layer'+str(i+1)+'weights',weights)
2. tf.summary.scalar： 主要用于记录诸如：准确率、损失和学习率等单个值的变化趋势。
代码示例：
with tf.name_scope('accuracy'):
correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
tf.summary.scalar('accuracy', accuracy)
3. tf.summary.image:
作用：如果你的模型输入是图像，想检查每次输入的图像以保证正确性。iamges面板就可以显示出相应的输入图像，默认显示最新的输入图像。
代码示例：
x = tf.placeholder(tf.float32, shape=[None, N_FEATURES], name='x')
x_image = tf.transpose(tf.reshape(x, [-1, 3, 32, 32]), perm=[0, 2, 3, 1])
tf.summary.image('input', x_image, max_outputs=3)
y = tf.placeholder(tf.float32, [None, N_CLASSES], name='labels')
其中参数max_outputs表示最多显示几张图片。
4. tf.summary.FileWriter（分别生成日志), 指定一个目录来告诉程序把文件放到哪里。然后运行的时候使用add_summary()来将某一步的summary数据记录到文件中
代码示例：
eval_writer = tf.summary.FileWriter(LOGDIR + '/eval')# Some other code
seval_writer.add_summary(tf.Summary(value=[tf.Summary.Value(tag='eval_accuracy', simple_value=np.mean(test_acc))]), i)
5. tf.summary.merge_all(整理日志操作的，sess.run一次就不用对上述分别run)
Graphs面板
用于从总体上看所构建的网络结构，可以显示训练数据流的方向和大小，训练时每个节点的用时，耗费内存的大小，以及参数的多少。主要分为两部分：主图（网络结构）和辅助节点（初始化、训练、保存等节点）。每个节点都是用tf.name_scope()来定义的。
tensorboard默认不记录每个节点的用时、耗费内存大小等信息的，要显示这些信息，需要再sess.run()中加入options和run_metadata参数。添加下列代码：
run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
run_metadata = tf.RunMetadata()
s, lss, acc , _ = sess.run([merged_summary, loss, accuracy, train_step],
feed_dict={x: batch_x, y: batch_y, phase: 1},
options=run_options,
run_metadata=run_metadata)
summary_writer.add_run_metadata(run_metadata, 'step{}'.format(i))
summary_writer.add_summary(s, i)
Distributions面板
用于展示网络中各参数随训练步数增加的变化情况。如：权重的分布
with tf.name_scope(name):
W = tf.Variable(tf.truncated_normal(
[k, k, channels_in, channels_out], stddev=0.1), name='W')
b = tf.Variable(tf.constant(0.1, shape=[channels_out]), name='b')
conv = tf.nn.conv2d(inpt, W, strides=[1, s, s, 1], padding='SAME')
act = tf.nn.relu(conv)
tf.summary.histogram('weights', W)
tf.summary.histogram('biases', b)
tf.summary.histogram('activations', act)
Histograms面板
和distributions是对同一数据不同方式的展现。是频数直方图的堆叠。