7.Tensorboard可视化，Tensorboard的数据形式, 查看网络运行时候的数据

1.Tensorboard可以记录与展示以下数据形式：

1. 标量Scalars
2. 图片Images
3. 音频Audio
4. 计算图Graph
5. 数据分布Distribution
6. 直方图Histograms
7. 嵌入向量Embeddings

2.Tensorboard的可视化过程

1. 首先肯定是先建立一个graph,你想从这个graph中获取某些数据的信息
2. 确定要在graph中的哪些节点放置summary operations以记录信息

使用tf.summary.scalar记录标量
使用tf.summary.histogram记录数据的直方图
使用tf.summary.distribution记录数据的分布图
使用tf.summary.image记录图像数据
….

3 operations并不会去真的执行计算，除非你告诉他们需要去run,或者它被其他的需要run的operation所依赖。而我们上一步创建的这些summary operations其实并不被其他节点依赖，因此，我们需要特地去运行所有的summary节点。但是呢，一份程序下来可能有超多这样的summary 节点，要手动一个一个去启动自然是及其繁琐的，因此我们可以使用tf.summary.merge_all去将所有summary节点合并成一个节点，只要运行这个节点，就能产生所有我们之前设置的summary data。

4 使用tf.summary.FileWriter将运行后输出的数据都保存到本地磁盘中

5 运行整个程序，并在命令行输入运行tensorboard的指令，之后打开web端可查看可视化的结果

---

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'

mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
batch_size = 100 
n_batch = mnist.train.num_examples // batch_size

#参数概要
def variable_summaries(var):
    with tf.name_scope('summary'):
        mean = tf.reduce_mean(var)
        #scalar 监测并记录下来，之后合并
        tf.summary.scalar('mean', mean) #平均值 params1 名字，params2 mean的值
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev', stddev) #标准差
        tf.summary.scalar('max', tf.reduce_max(var))  # 标准差
        tf.summary.scalar('min', tf.reduce_min(var))  # 标准差
        tf.summary.histogram('histogram', var)  # 直方图

with tf.name_scope