一、图可视化

1.产生图数据

图在代码中描述好后，在执行会话环境中会自动存储，可以世界使用Session的属性graph获取,Session只有三个属性：graph与graph_ref，sess_str，Session的属性代码：

  class SessionInterface(object):
    """Base class for implementations of TensorFlow client sessions."""

    @property
    def graph(self):
      """The underlying TensorFlow graph, to be used in building Operations."""
      raise NotImplementedError('graph')
  
    @property
    def sess_str(self):
      """The TensorFlow process to which this session will connect."""
      raise NotImplementedError('sess_str')

可视化数据保存由tf.summary.FileWriter类实现，其构造器声明如下：

__init__(
    logdir,        #存放数据的目录
    graph=None,    #需要存储的图对象数据
    max_queue=10,
    flush_secs=120,
    graph_def=None,
    filename_suffix=None,
    session=None
)

图数据获取实现代码如下

  #coding=utf-8
  import numpy as np
  import tensorflow as tf

  #1.描述图
  m1=np.random.uniform(0,1,(4,3))
  m2=np.random.uniform(0,1,(3,2))
  r=tf.matmul(m1,m2)

  #2.图执行
  session=tf.Session()

  #创建一个图数据IO写入器
  writer=tf.summary.FileWriter("./graph",graph=session.graph)
  
  init_op= tf.global_variables_initializer()
  session.run(init_op)
  re=session.run(r)
  print(re)

  #关闭图写入器
  writer.close()

产生的图数据结果
Graph保存后的文件

2.启动可视化

使用Tensorboard工具创建一个web应用服务，然后使用浏览器就可以得到可视化的图结构。
- Tensorboard在Tensorflow安装的时候会一起安装。
- Tensorboard使一个命令行工具，使用格式如下：
  
  > tensorboard --logdir=Graph数据存放目录
可视化启动例子：

启动图可视化web应用服务
使用浏览器访问

注意：端口是6006，URL是：http://127.0.0.1:6006/

使用浏览器访问图可视化服务
可视化图元素说明

可视化元素说明
可视化数据
Tensorboard的数据类型有很多

可视化数据类型
常用的有：scalars，distributions，histograms 等
可视化刷新设置

设置刷新频率与分页限制

二、数据标量可视化

1. 确定标量数据

  #1.scalar数据
  rd1=tf.Variable(tf.random_uniform([],-1.0,1.0))
  tf.summary.scalar("rd1",rd1)
  rd2=tf.Variable(tf.random_uniform([],-1.0,1.0))
  tf.summary.scalar("rd2",rd2)

【注意】其中使用随机函数产生随机数，其中只能使用标量，所以 $tf.random\_uniform$ 函数的第一个 $shape$ 参数设置为[]，表示标量。如果使用向量，运行参数肯定不匹配。

2. 合并标量数据

  #2.数据合并
  me=tf.summary.merge_all()

3. 计算标量数据

  #3.计算合并数据
  data= session.run(me)

4. 存储标量数据

  #
  #4.合并数据用IO写入文件
  writer.add_summary(data,i)

5. 完整代码

  #coding=utf-8
  import numpy as np
  import tensorflow as tf

  #1.scalar数据
  rd1=tf.Variable(tf.random_uniform([],-1.0,1.0))
  tf.summary.scalar("rd1",rd1)
  rd2=tf.Variable(tf.random_uniform([],-1.0,1.0))
  tf.summary.scalar("rd2",rd2)

  #2.数据合并
  me=tf.summary.merge_all()

  #2.图执行
  session=tf.Session()
  #创建一个图数据IO写入器
  writer=tf.summary.FileWriter("./scalar",graph=session.graph)
  init_op= tf.global_variables_initializer()
  session.run(init_op)

  #写100个随机变量
  for i in range(100):
      #3.计算合并数据
      data= session.run(me)
      #4.合并数据用IO写入文件
      writer.add_summary(data,i)

  #关闭图写入器
  writer.close()