!645 Modify mindinsight tutorials for scalar and tensor.

Merge pull request !645 from zhangyi/mod_mindinsight_doc

tutorials/notebook/mindinsight/mindinsight_image_histogram_scalar_tensor.ipynb

@@ -915,8 +915,8 @@
    "source": [
     "### 单独记录张量数据\n",
     "\n",
-    "1. 在AlexNet网络的`__init__`方法中初始化`ImageSummary`。\n",
-    "2. 在AlexNet网络的`construct`方法中使用`ImageSummary`算子记录输入图像。\n",
+    "1. 在AlexNet网络的`__init__`方法中初始化`TensorSummary`。\n",
+    "2. 在AlexNet网络的`construct`方法中使用`TensorSummary`算子记录张量数据。\n",
     "3. 配置`summary_collector`为：\n",
     "\n",
     "```python\n",
@@ -1220,16 +1220,16 @@
     "## 注意事项和规格\n",
     "\n",
     "- 在训练中使用Summary算子收集数据时，`HistogramSummary`算子会影响性能，所以请尽量少地使用。\n",
+    "- 出于性能上的考虑，MindInsight对比看板使用缓存机制加载训练的标量曲线数据，并进行以下限制：\n",
+    "    - 对比看板只支持在缓存中的训练进行比较标量曲线对比。\n",
+    "    - 缓存最多保留最新（按修改时间排列）的15个训练。\n",
+    "    - 用户最多同时对比5个训练的标量曲线。\n",
     "- 为了控制内存占用，MindInsight对标签（tag）数目和步骤（step）数目进行了限制：\n",
     "    - 每个训练看板的最大标签数量为300个标签。标量标签、图片标签、计算图标签、参数分布图（直方图）标签、张量标签的数量总和不得超过300个。特别地，每个训练看板最多有10个计算图标签、6个张量标签。当实际标签数量超过这一限制时，将依照MindInsight的处理顺序，保留最近处理的300个标签。\n",
     "    - 每个训练看板的每个标量标签最多有1000个步骤的数据。当实际步骤的数目超过这一限制时，将对数据进行随机采样，以满足这一限制。\n",
     "    - 每个训练看板的每个图片标签最多有10个步骤的数据。当实际步骤的数目超过这一限制时，将对数据进行随机采样，以满足这一限制。\n",
     "    - 每个训练看板的每个参数分布图（直方图）标签最多有50个步骤的数据。当实际步骤的数目超过这一限制时，将对数据进行随机采样，以满足这一限制。\n",
     "    - 每个训练看板的每个张量标签最多有20个步骤的数据。当实际步骤的数目超过这一限制时，将对数据进行随机采样，以满足这一限制。\n",
-    "- 出于性能上的考虑，MindInsight对比看板使用缓存机制加载训练的标量曲线数据，并进行以下限制：\n",
-    "    - 对比看板只支持在缓存中的训练进行比较标量曲线对比。\n",
-    "    - 缓存最多保留最新（按修改时间排列）的15个训练。\n",
-    "    - 用户最多同时对比5个训练的标量曲线。\n",
     "- 由于`TensorSummary`会记录完整Tensor数据，数据量通常会比较大，为了控制内存占用和出于性能上的考虑，MindInsight对Tensor的大小以及返回前端展示的数值个数进行以下限制：\n",
     "    - MindInsight最大支持加载含有1千万个数值的Tensor。\n",
     "    - Tensor加载后，在张量可视的表格视图下，最大支持查看10万个数值，如果所选择的维度查询得到的数值超过这一限制，则无法显示。\n",
@@ -1237,9 +1237,8 @@
     "  1）避免使用`TensorSummary`记录较大的Tensor。\\\n",
     "  2）减少网络中`TensorSummary`算子的使用个数。\n",
     "- 功能使用完毕后，请及时清理不再需要的训练日志，以释放磁盘空间。\n",
-    "\n",
     "- 备注：估算`TensorSummary`空间使用量的方法如下：\n",
-    "    - 一个`TensorSummary`数据的大小 ＝ Tensor中的数值个数 * 4 bytes。假设使用`TensorSummary`记录的Tensor大小为32 * 1 * 256 * 256，则一个`TensorSummary`数据大约需要32 * 1 * 256 * 256 * 4 bytes = 8,388,608 bytes = 8MiB。又假设`SummaryCollector`的`collect_freq`设置为1，且训练了50个迭代。则记录这50组数据需要的空间约为50 * 8 MiB ＝ 400MiB。需要注意的是，由于数据结构等因素的开销，实际使用的存储空间会略大于400MiB。\n",
+    "    - 一个`TensorSummary`数据的大小 ＝ Tensor中的数值个数 * 4 bytes。假设使用`TensorSummary`记录的Tensor大小为32 * 1 * 256 * 256，则一个`TensorSummary`数据大约需要32 * 1 * 256 * 256 * 4 bytes = 8,388,608 bytes = 8MiB。`TensorSummary`默认会记录20个步骤的数据，则记录这20组数据需要的空间约为20 * 8 MiB ＝ 160MiB。需要注意的是，由于数据结构等因素的开销，实际使用的存储空间会略大于160MiB。\n",
     "    - 当使用`TensorSummary`时，由于记录完整Tensor数据，训练日志文件较大，MindInsight需要更多时间解析训练日志文件，请耐心等待。"
    ]
   },