Tensorboard的數據形式
Tensorboard可以記錄與展示以下數據形式：
（1）標量Scalars
（2）圖片Images
（3）音頻Audio
（4）計算圖Graph
（5）數據分布Distribution
（6）直方圖Histograms
（7）嵌入向量Embeddings
Tensorboard的可視化過程
（1）建立一個graph,你想從這個graph中獲取某些數據的信息
（2）確定要在graph中的哪些節點放置summary operations以記錄信息
使用tf.summary.scalar記錄標量
使用tf.summary.histogram記錄數據的直方圖
使用tf.summary.distribution記錄數據的分布圖
使用tf.summary.image記錄圖像數據
….
（3）operations并不會去真的執行計算，除非你告訴他們需要去run,或者它被其他的需要run的operation所依賴。而我們上一步創建的這些summary operations其實并不被其他節點依賴，因此，我們需要特地去運行所有的summary節點。但是呢，一份程序下來可能有超多這樣的summary 節點，要手動一個一個去啟動自然是及其繁瑣的，因此我們可以使用tf.summary.merge_all去將所有summary節點合并成一個節點，只要運行這個節點，就能產生所有我們之前設置的summary data。
（4）使用tf.summary.FileWriter將運行后輸出的數據都保存到本地磁盤中
（5）運行整個程序，并在命令行輸入運行tensorboard的指令，之后打開web端可查看可視化的結果
tf.name_scope()函數
復雜的TensorFlow 一般由數以千計的節點所構成，如此多而難以一下全部看到，甚至無法使用標準圖表工具來展示。為簡單起見，我們為op/tensor名劃定范圍，并且可視化把該信息用于在圖表中的節點上定義一個層級。代碼示例1、數據準備
今天程序上來第一部分就發生變化，出現了新面孔，那就是定義了一個variable_summaries()函數，傳遞參數為var。
這個函數的作用是：
（1）將傳遞過來的參數var進行求均值（mean）、標準差（stddev）、最大最小值（max、min）
（2）用tf.summary.scalar()函數，分別對上述的幾個統計量（標量）進行記錄，同時記錄參數var的直方圖（tf.summary.histogram()函數實現）
在這里大家發現了我用的tf.name_scope()函數，我在這里建立了一個名叫summaries的可視化節點的層級，之后在Tensorboard中將會找到它。

2、準備好placeholder
同樣，我用tf.name_scope()函數，建立了一個名叫input的可視化節點的層級，這個節點層下包含 x_input、y_input、learning_rate 三個子節點。3、初始化參數/權重
同理，這里我對每個變量都做了同樣的操作，只不過這里我命名了3個層級的節點，大家是否能準確找到呢~~，同時對權重值W1、W2、W3，偏置值b1、b2、b3進行variable_summaries()函數的調用，想具體了解這些參數在模型訓練中是如何發生變化

4、計算預測結果

5、計算損失值

6、初始化optimizer

7、指定迭代次數，并在session執行graph

運行結果
今天我們的重點在于Tensorboard上，準確率就不展示了，因為程序在計算上沒有變化，依舊會是0.98附近。
接下來我們要做的就是打開Tensorboard，在Macbook中打開終端輸入tensorboard –logdir=

關注小鯨融創，一起深度學習金融科技！

總結

以上是生活随笔為你收集整理的tensorboard 数据降维分布图_以mnist为例探究tensorboard的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。