您將使用TensorFlow進行的計算 - 如訓練大量的深度神經網絡 - 可能會非常復雜和令人困惑。 為了便于理解，調試和優化TensorFlow程序，我們包含了一套名為TensorBoard的可視化工具。 您可以使用TensorBoard來顯示您的TensorFlow圖形，繪制關于圖形執行的量化指標，并顯示通過它的圖像數據。 當TensorBoard全部配置時，看起來像這樣：

序列化數據

TensorBoard通過讀取TensorFlow事件文件進行操作，TensorFlow事件文件包含運行TensorFlow時所生成的摘要數據。 以下是TensorBoard中摘要數據的一般生命周期。

首先，創建您希望從中收集摘要數據的TensorFlow graph，然后決定使用摘要操作（summary operations）注解哪些節點。

例如，假設您正在訓練用于識別MNIST數字的卷積神經網絡。 您想記錄學習率隨時間的變化，以及目標函數如何變化。 通過將tf.summary.scalar分別附加到輸出learning rate和loss的節點來收集這些信息。 然后，給每個scalar_summary總結一個有意義的標簽，如“learning rate”或“loss function”。

也許你也想看到一個指定層的激活分布，或梯度或權重的分布。 通過將tf.summary.histogram附加到梯度輸出和權重的變量來收集這些數據。

有關所有摘要操作（summary operations）的詳細信息，請查看有關摘要操作（summary operations）的文檔。

在運行之前，TensorFlow中的操作不會執行任何操作，或者依賴于其輸出的操作。 我們剛剛創建的摘要節點是graph之外的：您當前正在運行的所有操作都不依賴于它們。 所以，為了生成摘要，我們需要運行所有這些匯總節點。 手工管理它們會很麻煩，所以使用tf.summary.merge_all將它們組合成一個單獨的操作來生成所有的匯總數據。

然后，您可以運行合并的摘要操作，該操作將在給定的步驟中生成包含所有摘要數據的序列化的Summary?protobuf對象。 最后，為了將這個總結數據寫入磁盤，將總結的protobuf傳遞給tf.summary.FileWriter。

FileWriter在其構造函數中使用了logdir - 這個logdir非常重要，它是所有事件將被寫出的目錄。 另外，FileWriter可以選擇在其構造函數中使用Graph。 如果它接收到一個Graph對象，那么TensorBoard會將您的圖形與張量形狀信息一起可視化。 這將使您更好地理解圖中流動的情況：請參閱張量形狀信息（Tensor shape information）。

現在你已經修改了你的圖形，并有一個FileWriter，你已經準備好開始運行你的網絡！ 如果你愿意，你可以每一步都運行合并的摘要操作，并記錄大量的訓練數據。 雖然這可能是比你需要更多的數據。 相反，請考慮每n步運行合并的摘要操作。

下面的代碼示例是對簡單MNIST教程的修改，我們在其中添加了一些summary操作，并且每十步執行一次。 如果你運行這個程序，然后啟動tensorboard --logdir=/tmp/tensorflow/mnist，你將可以看到統計數據，例如訓練過程中權重或準確率的變化。 下面的代碼是摘錄; 完整的源代碼在這里。

（代碼略，格式太亂，看完整代碼吧）

在初始化FileWriters之后，我們必須在我們訓練和測試模型時將sumamries添加到FileWriters。

（代碼略，格式太亂，看完整代碼吧）

您現在已經開始使用TensorBoard將這些數據可視化了。

啟動TensorBoard

要運行TensorBoard，使用下面的命令（或者python -m tensorboard.main）

tensorboard --logdir=path/to/log-directory

其中logdir指向FileWriter序列化其數據的目錄。 如果此logdir目錄包含子目錄，里面是不同的序列化數據，則TensorBoard將可視化所有這些數據。 一旦TensorBoard啟動，瀏覽您的Web瀏覽器到localhost：6006以查看TensorBoard。

在看TensorBoard時，您會看到右上角的導航標簽。 每個選項卡代表一組可以可視化的序列化數據。

有關如何使用圖形選項卡可視化圖形的深入信息，請參閱TensorBoard：圖形可視化。

有關TensorBoard的更多使用信息，請參閱TensorBoard的GitHub。