TensorFlow包含一个可视化工具，称为TensorBoard.它用于分析数据流图，也用于理解机器学习模型. TensorBoard的重要特性包括关于垂直对齐中任何图形的参数和细节的不同类型的统计数据.
深度神经网络包括多达36,000个节点. TensorBoard有助于在高级块中折叠这些节点并突出显示相同的结构.这允许更好地分析关注计算图的主要部分的图. TensorBoard可视化被称为非常交互式，用户可以平移，缩放和扩展节点以显示细节.
以下示意图表示TensorBoard可视化的完整工作 :
算法将节点折叠为高级块突出显示具有相同结构的特定组，这些组分隔高度节点.由此创建的TensorBoard非常有用，并且对于调整机器学习模型同样重要.此可视化工具专为配置日志文件而设计，包含需要显示的摘要信息和详细信息.
让我们在以下代码和减号的帮助下，专注于TensorBoard可视化的演示示例;
import tensorflow as tf
# Constants creation for TensorBoard visualization
a = tf.constant(10,name = "a")
b = tf.constant(90,name = "b")
y = tf.Variable(a+b*2,name = 'y')
model = tf.initialize_all_variables() #Creation of model
with tf.Session() as session:
merged = tf.merge_all_summaries()
writer = tf.train.SummaryWriter("/tmp/tensorflowlogs",session.graph)
session.run(model)
print(session.run(y))下表显示了用于节点表示的TensorBoard可视化的各种符号 :
