一、TensorBoard可视化学习
1、TensorFlow有一个亮点就是，我们能看到自己写的程序的可视化效果，这个功能就是TensorBoard
2、TensorFlow可用于训练大规模深度神经网络所需的计算，使用该工具涉及的计算往往复杂而深奥。为了方便TensorFlow程序的理解、调试和优化，TensorFlow提供了TensorBoard可视化工具
二、实现程序可视化过程
1、数据序列化
TensorBoard通过读取TensorFlow的事件文件来运行，需要将数据生成一个序列化的summary protobuf对象
将图序列化到本地events文件，这将在指定目录中生成一个events文件，其名称格式如下：
events.out.tfevents.{timestamp}.{hostname}
2、将可视化的图写入事件文件中API
（1）1.x版本：
tf.summary.FileWriter(path, graph=)
说明：
path：路径
graph：指定的图
（2）2.x版本：
writer = tf.summary.create_file_writer(path)
说明：创建一个文件写入器writer
path：路径
tf.summary.graph(graph)
说明：写入图
3、启动TensorBoard
终端输入：
tensorboard --logdir="事件文件的地址"
在浏览器中打开TensorBoard的图页面http://127.0.0.1:6006，就会看到图了
4、修改代码
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tfdef tensorflow_demo():"""TensorFlow的基本结构"""# TensorFlow实现加减法运算a_t = tf.constant(2)b_t = tf.constant(3)c_t = a_t + b_tprint("TensorFlow加法运算结果：\n", c_t)print(c_t.numpy())# 2.0版本不需要开启会话，已经没有会话模块了return Nonedef graph_demo():"""图的演示"""# TensorFlow实现加减法运算a_t = tf.constant(2)b_t = tf.constant(3)c_t = a_t + b_tprint("TensorFlow加法运算结果：\n", c_t)print(c_t.numpy())# 查看默认图# 方法1：调用方法default_g = tf.compat.v1.get_default_graph()print("default_g：\n", default_g)# 方法2：查看属性# print("a_t的图属性：\n", a_t.graph)# print("c_t的图属性：\n", c_t.graph)# 自定义图new_g = tf.Graph()# 在自己的图中定义数据和操作with new_g.as_default():a_new = tf.constant(20)b_new = tf.constant(30)c_new = a_new + b_newprint("c_new：\n", c_new)print("a_new的图属性：\n", a_new.graph)print("b_new的图属性：\n", b_new.graph)# 开启new_g的会话with tf.compat.v1.Session(graph=new_g) as sess:c_new_value = sess.run(c_new)print("c_new_value：\n", c_new_value)print("我们自己创建的图为：\n", sess.graph)# 可视化自定义图# 1）创建一个文件写入器writerwriter = tf.summary.create_file_writer("./tmp/summary")# 2）将图写入with writer.as_default():tf.summary.graph(new_g)return Noneif __name__ == "__main__":# 代码1：TensorFlow的基本结构# tensorflow_demo()# 代码2：图的演示graph_demo()运行之后生成：./tmp/summary/events.out.tfevents.1708140220.server001.26046.0.v2
5、运行tensorboard
tensorboard --bind_all --logdir="./tmp/summary"访问http://127.0.0.1:6006
6、图例说明
将“Auto-extract high-degree nodes”选项去除
图例就不是两个三角重叠在一起了
椭圆是OpNode，小圆是Constant，箭头是数据流动
参考资料：
https://tensorflow.google.cn/versions/r2.6/api_docs/python/tf/summary/graph
