Tensorboard是TF自帶的視覺化工具。它可以讓我們從各個角度觀察與修改模型，比如觀察模型在訓練時的loss動態變化曲線而無需在迭代完畢後再畫圖、繪製神經網路的結構圖、調節超引數等。下面以最簡單的形式展示tensorboard的常用功能。

開啟tensorboard

　　開啟命令列輸入

tensorboard --logdir logs

　　然後回車。前兩個引數固定，第三個引數表示tensorboard所要觀察的資料夾位置。後面再使用TF將資訊寫入該資料夾中，tensorboard就可以從中讀取資料用於視覺化。輸出如下：

　　進入得到的連結，就是tensorboard的介面了。這時你的logs資料夾應該還是空的，沒有寫入資料，所以tensorboard無法視覺化。下面介紹如何向資料夾中寫入資料。

Scalars

　　Scalars用來視覺化時間步下的狀態曲線，比如loss的變化曲線。下面是程式碼示例：

import numpy as np
import tensorflow as tf 
from datetime import datetime


current_time = datetime.now().strftime("%Y{y}%m{m}%d{d}-%H-%M-%S").format(y = '年',m = '月',d='日')
log_path = 'logs/'+current_time#——————1——————
log_writer = tf.summary.create_file_writer(log_path)#
 
——————2——————
  
for i in range(100):  
  data1 = np.random.normal()#——————3——————
  data2 = np.random.normal()#——————3——————
  with log_writer.as_default():#——————4——————
    tf.summary.scalar('test1', data1, i) #——————5——————
    tf.summary.scalar('test2', data2, i) #——————5——————

　　#1/2：建立以時間命名的用於儲存記錄的檔案，並獲取用於往該檔案中寫入記錄的物件例項。注意！檔案要儲存在logs資料夾中，tensorboard才能讀取。

　　#3：定義每次迭代要記錄的值。

　　#4/5：使用#2定義的物件將記錄以scalar的方式寫入，scalar實際上就是畫折線圖，其中三個引數分別代表是：記錄名、這次迭代要儲存的值、第幾次迭代。可以看出，一個檔案可以儲存多條記錄，而每條記錄都含有多次迭代。

　　在tensorboard介面中，右上角點選重新整理，或者在下拉選項中選擇scalar，tensorboard就會顯示輸出的記錄。介面中還能調節平滑度什麼的，這裡就不記錄了。Tensorboard的一大好處在於它能在程式碼執行的時候同步視覺化影象，上面的程式碼示例僅有100次迭代，不好體現，可以自己嘗試一下。

　　視覺化後的折線圖介面如下：

Graphs

　　視覺化模型結構，但是顯示出來的結構很亂，幾乎沒法看，暫時沒弄懂看的是什麼。這裡先記錄顯示流程。程式碼示例如下：

import numpy as np 
from tensorflow.keras import Input,Model,layers,losses,callbacks 

logdir="logs/test"  
tensorboard_callback = callbacks.TensorBoard(log_dir=logdir)#——————1——————
class TestModel(Model):#——————2——————
  def __init__(self):
    super().__init__()
    self.layer1 = layers.Dense(10) 
    self.layer2 = layers.Dense(1)
  def call(self,inputs):
    x = self.layer1(inputs) 
    x = self.layer2(x)
    return x
model = TestModel()#——————3——————
model.compile(optimizer='rmsprop',loss='mse')#——————4——————
model.fit(np.ones([3,10]),
          np.ones([3,1]),
          callbacks=[tensorboard_callback]) #——————5——————

　　#1：定義儲存模型結構的檔案，獲取一個回撥函式物件，用於在fit的時候將模型計算圖記錄並儲存。

　　#2：繼承Model類自定義我們的模型，只要實現以上兩個函式即可。

　　#3/4/5：例項化模型、編譯，然後fit，讓上面定義的回撥函式過一遍我們的模型，這樣一來它就能將結構記錄下來了。

　　然後開啟tensorboard網頁，右上角下拉選中GRAPH，就能看到畫出的圖了。如下圖（顯示的玩意兒看不太懂）：

　　另外，因為是在fit中儲存的結構，所以它在儲存的時候會多包一層train資料夾。

Hparams

　　超引數優化。暫時用不到，以後再記錄。