【tensorflow2.0】16.自定义训练过程下的tensorboard

    在开始之前首先说一下，因为我们的网络越来越深，数据量也越来越大，所以没有gpu的同学跑起来很浪费时间，而且对电脑伤害也很大，推荐一个免费试用gpu的网站，百度搜索colab~
    接下来说一下如何在自定义训练中使用tensorboard：

#创建summary writer实例
tf.summary.create_file_writer(
    logdir, max_queue=None, flush_millis=None, filename_suffix=None, name=None
)

"""
logdir	一个字符串，指定要在其中写入事件文件的目录。
max_queue	要排队的摘要数量最多；队列变大后将刷新。默认为10
flush_millis	两次刷新之间的最大间隔。默认为120,000
filename_suffix	事件文件名的可选后缀。默认为。 .v2
name	创建作者的操作的名称。
"""
#创建图片摘要
tf.summary.image(
    name, data, step=None, max_outputs=3, description=None
)

"""
name	此摘要的名称。用于TensorBoard的summary标记将是此名称的任何活动名称范围的前缀。
data	阿Tensor具有形状表示的像素数据，其中，是图像的数量，并且是图像的高度和宽度，和是信道的数目，这应该是1，2，3，或4（灰度，灰度与α，RGB ，RGBA）。任何尺寸都可能是静态未知的（即）。浮点数据将被裁剪为[0,1）的范围。 [k, h, w, c]khwcNone
step	int64此摘要的 显式可广播单调阶跃值。如果省略，则默认为tf.summary.experimental.get_step()，不能为None。
max_outputs	可选int或等级0整数Tensor。每个步骤最多只能发出这么多图像。如果 提供的图像数量过多，则将使用前许多图像，而其余图像将被静默丢弃。 max_outputsmax_outputs
description	此摘要的可选长格式描述，作为一个常量str。支持降价。默认为空。
"""
#创建直方图摘要
tf.summary.histogram(
    name, data, step=None, buckets=None, description=None
)
"""
name	此摘要的名称。用于TensorBoard的summary标记将是此名称的任何活动名称范围的前缀。
data	Tensor任何形状的 A。必须可转换为float64。
step	int64此摘要的 显式可广播单调阶跃值。如果省略，则默认为tf.summary.experimental.get_step()，不能为None。
buckets	可选正int。除了两个边缘情况外，输出将具有这么多存储桶。如果没有数据，则没有存储桶。如果有数据，但所有点都具有相同的值，那么将有一个存储桶，其左端点和右端点相同。
description	此摘要的可选长格式描述，作为一个常量str。支持降价。默认为空。
"""
#创建文本摘要
tf.summary.text(
    name, data, step=None, description=None
)
"""
name	此摘要的名称。用于TensorBoard的summary标记将是此名称的任何活动名称范围的前缀。
data	UTF-8字符串张量值。
step	int64此摘要的 显式可广播单调阶跃值。如果省略，则默认为tf.summary.experimental.get_step()，不能为None。
description	此摘要的可选长格式描述，作为一个常量str。支持降价。默认为空。
"""
#创建一个标量摘要
tf.summary.scalar(
    name, data, step=None, description=None
)
"""
name	此摘要的名称。用于TensorBoard的summary标记将是此名称的任何活动名称范围的前缀。
data	实数标量值，可转换为float32张量。
step	int64此摘要的 显式可广播单调阶跃值。如果省略，则默认为tf.summary.experimental.get_step()，不能为None。
description	此摘要的可选长格式描述，作为一个常量str。支持降价。默认为空。
"""
tf.summary.trace_export()#停止trace（追踪），并将之前trace记录到的信息写入profiler日志文件
tf.summary.trace_off()#停止trace，并舍弃之前的trace记录
tf.summary.trace_on()#开始trace以记录计算图和分析信息

#tf.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_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