详细介绍：
基础操作两方面:
第一方面：“制作”各种标量、记录节点，图标、图片等的记录汇集，sess.run从计算图得到一次汇集的记录。
关于sess.run(merged)，可以把这个也当做计算图中得到了一个结果，只是不同用途。既然是计算图，就少不了要feed数据，feed的数据不同，得到的结果也就不同，如果使用了错误的feed数据，很可能得到的绘制结果也不符合预期，下边会有例子介绍！
剩下的也就是scalar和histgram对tensor形状的要求不同，输入错了自然报错（手动滑稽），image的话，也要先reshape到合适的形状。
第二方面：利用本graph初始化writer，把sess.run得到的记录通过writer写入文件，关闭writer。
唯一注意的就是那个global_step的意义，这个step也就是绘制图标的横轴座标了，如果用普通的i，如果断点续训从头开始计算，那么图标也就绘制烂了，所以最好是用有记录的global_step，能够保证断点续训的图片绘制完整。
tf.summary.scalar/image/histogram()
merged = tf.summary.merge_all()
summary = sess.run(merged)
writer = tf.summary.FileWriter(logdir, graph=sess.graph)
writer.add_summary(summary, global_step=i)
writer.close()
两种合并方法，第一种全合并，比较简单；第二种指定，精简，比如同时观察训练集和测试集的准确率，参数之类的不需要也显示两份。
summary_ce = tf.summary.scalar('cross_entropy', cross_entropy)
summary_accuracy = tf.summary.scalar('accuracy', accuracy)
merged = tf.summary.merge_all()
test_merged = tf.summary.merge(inputs=[summary_ce,summary_accuracy])
特殊用法：
同时显示训练集和测试集曲线
用两个writer，指定两个路径，分别记录训练集和测试集的准确率，运行tensorboard同时读取两个event文件。
#tensorboard --logdir = event1:"dir1",eventrun2:"dir2"
应用场景
应用：对比测试集与训练集的准确率
如果是带dropout的训练，不要在train同时得到accuracy，会出现准确率倒挂，训练准确率低于测试准确率（蓝线）.
改完了也不能明显看到“训练准确率高于测试准确率”的情况
也有一方面原因是conv解MNIST太简单了，拉不开差距，test用的batch太小了，不容易反应整体，拉不开差距，因为机器性能的限制，一次不能运行整个测试集，summary是拿tensor，是tensor就得feed数据，feed数据就有size限制，又不可以在python里自己做循环和平均，这是个问题。
问题：两个event的显示颜色不如人意
因为运行参数等于dict形式，training排在testing后边，所以颜色调转。自己改改名字就好了
应用：利用命名空间分类查看
变量太多的时候，看起来会很混乱，使用命名空间就很有用了。
例如第二个FC对应的BN层，先get到tensor，然后把tensor添加到histogram，命名，加bf_fc2前缀
gamma = tf.get_default_graph().get_tensor_by_name(name='bn_fc2/gamma:0')
beta = tf.get_default_graph().get_tensor_by_name(name='bn_fc2/beta:0')
moving_mean = tf.get_default_graph().get_tensor_by_name(name='bn_fc2/moving_mean:0')
moving_variance = tf.get_default_graph().get_tensor_by_name(name='bn_fc2/moving_variance:0')
tf.summary.histogram('bn_fc2/gamma', gamma)
tf.summary.histogram('bn_fc2/beta', beta)
tf.summary.histogram('bn_fc2/moving_mean', moving_mean)
tf.summary.histogram('bn_fc2/moving_variance', moving_variance)
应用：增加GRAPH可读性
大多数时候，计算图中，除了主流程，还会有各种依赖关系和边角操作，增加图像复杂度，降低可读性，可以把无关操作从图中去除。
应用：验证ReLU“最优”bias初始值
初学可能不知道bias改初始化成什么，看过些代码可能认为biases初始化为0.1合适，但是不看图是不知道为什么的。
通过tensorboard打印biases的分布，可以看到想要的答案。
如下：两层conv（32,64），ReLU激活，两层fc（包括输出层，1024,10），识别MNIST。
W初始化0，b初始化0.1，W的分布很稳的在0附近。
batch=256，20000步，b有所下降，但是也没接近0
其他不动，biases初始化变成0.2
其实按比例看的话，0.2和0.1趋势差异并不明显，因为我也没空无限训练下去，20k截止。
初始化biases为0.0：
也没什么上升趋势，证明0.1不一定代表最优，但是这个模型也只是个例。总之，训练之后的biases比较趋近0~0.2这个范围。
虽然初始0也没上升到0.1的趋势，但是也不能用0，0有另一个缺点，ReLU负轴输出0，正轴斜率是1，w和b都是0的话，正反都输出0，不利于训练。
biases初始化0.0和0.1的各层输出分布：不能从图形上直接说0.0很不好，但是对比0.1，仔细看纵座标，确实0.1的初始化初期输出的分布更广泛一些，而训练之后的输出分布，也是趋向于更宽泛。
准确率变化区别不明显
前边用的ReLU（0.1针对ReLU），作为对比，用sigmoid试一下（缩减步数）：
初始化0.0（有变负数趋势）
初始化0.1（第一层有明显的变负趋势，后边不明显）
结论：
所以，0.1是一个自然选择，并且人工trade-off的值。
第一层影响比较大，趋势明显，后边的逐渐不明显，如果有BN，可能进一步衰减。
考虑到模型宽容度过高，很早准确率就封顶，实验效果也不好，还有不同的模型，复杂模型和简单模型也不一样，情况太多，没法测完，有机会再完善。
但是很明显，0.1也不是真理，每一个模型，每一层，都多少有些不一样。
todo：更进一步，为什么恰巧是0.1？可以观察用不同的数据集不同的标签，比如20个标签或者5个标签，是否都是0.1附近最优？