TensorFlow可视化

    在TensorFlow中，最常用的可视化方法有三种途径，分别为TensorFlow与OpenCv的混合编程、利用Matpltlib进行可视化、利用TensorFlow自带的可视化工具TensorBoard进行可视化。这三种方法中，TensorFlow中最重要的可视化方法是通过tensorBoard、tf.summary和tf.summary.FileWriter这三个模块相互合作来完成的。

1、TensorBoard简介

    TensorBoard是TensorFlow官方推出的可视化工具，它可以将模型训练过程中的各种汇总数据展示出来，包括标量（Scalar）、图片（Images）、音频（Audio）、计算图（Graphs）、数据分布（Distributions）、直方图（Histograms）和嵌入向量（Embeddings）。在训练大型深度学习神经网络时，中间计算过程非常复杂，为了理解调试和优化我们设计的网络，我们可以使用TensorBoard观察训练过程中各种可视化数据。如果要使用TensorBoard展示数据，我们需要在执行TensorFlow计算图的过程中，将各种类型的数据汇总并记录到日志文件中。然后使用TensorBoard读取这些日志文件，解析数据并生成可视化的Web界面，让我们可以在浏览器中观察各种汇总的数据。

2、Summary方法详解:

  （1）tf.summary.scalar（）：用来显示标量信息，其格式为：

      tf.summary.scalar(name, tensor, collections=None)
      例如：tf.summary.scalar('mean', mean)
      一般在画loss,accuary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

        汇总数据的图像的的形式如下： ’ tag /image/0’, ’ tag /image/1’…，如：input/image/0等。

        格式：tf.summary.image(name, tensor, max_outputs=3, collections=None)