截至2017年3月，EventAccumulator工具has been moved从Tensorflow核心迁移到Tensorboard后端。您仍然可以使用它从Tensorboard日志文件中提取数据，如下所示：

from tensorboard.backend.event_processing.event_accumulator import EventAccumulator
event_acc = EventAccumulator('/path/to/summary/folder')
event_acc.Reload()
# Show all tags in the log file
print(event_acc.Tags())

# E. g. get wall clock, number of steps and value for a scalar 'Accuracy'
w_times, step_nums, vals = zip(*event_acc.Scalars('Accuracy'))

很简单，数据实际上可以导出到TensorBoard中Events选项卡下的.csv文件中，例如，可以加载到Python中的Pandas Dataframe 中。请确保选中 Data download links 框。
如需更自动化的方法，请查看TensorBoard自述文件：
如果您希望导出数据以在其他地方（例如iPython Notebook）进行可视化，也可以直接依赖TensorBoard用于加载数据的底层类：python/summary/event_accumulator.py（用于从单次运行加载数据）或python/summary/event_multiplexer.py（用于从多次运行加载数据，并使其保持有序）。这些类加载事件文件组，丢弃因TensorFlow崩溃而“孤立”的数据，并按标签组织数据。
作为另一种选择，有一个脚本（tensorboard/scripts/serialize_tensorboard.py），它将像TensorBoard一样加载一个logdir，但将所有数据作为json写入磁盘，而不是启动服务器。该脚本设置为创建“假TensorBoard后端”进行测试，因此它有点粗糙。

我认为数据是以protobufs RecordReader格式编码的。要从文件中获得序列化字符串，您可以使用py_record_reader或使用TFRecordReader操作构建一个图形，并使用Event schema将这些字符串反序列化为protobuf。如果您获得了一个工作示例，请更新此q，因为我们似乎缺少这方面的文档。

我在以前的一个项目中做了一些类似的事情，正如其他人提到的，主要成分是tensorflows事件累加器

from tensorflow.python.summary import event_accumulator as ea

acc = ea.EventAccumulator("folder/containing/summaries/")
acc.Reload()

# Print tags of contained entities, use these names to retrieve entities as below
print(acc.Tags())

# E. g. get all values and steps of a scalar called 'l2_loss'
xy_l2_loss = [(s.step, s.value) for s in acc.Scalars('l2_loss')]

# Retrieve images, e. g. first labeled as 'generator'
img = acc.Images('generator/image/0')
with open('img_{}.png'.format(img.step), 'wb') as f:
  f.write(img.encoded_image_string)

您也可以使用tf.train.summaryiterator：要提取./logs文件夹中的事件，其中仅存在经典标量lr、acc、loss、val_acc和val_loss，您可以使用以下GIST：tensorboard_to_csv.py

当你的tfevent文件中的数据点少于10000个时，Chris Cundy的答案很好用。但是，当你的tfevent文件中的数据点超过10000个时，Tensorboard会自动对它们进行采样，并且最多只给你10000个点。这是一个相当烦人的潜在行为，因为它没有得到很好的记录。请参见https://github.com/tensorflow/tensorboard/blob/master/tensorboard/backend/event_processing/event_accumulator.py#L186。
要绕过它并获得所有数据点，一个有点笨拙的方法是：

from tensorboard.backend.event_processing.event_accumulator import EventAccumulator

class FalseDict(object):
    def __getitem__(self,key):
        return 0
    def __contains__(self, key):
        return True

event_acc = EventAccumulator('path/to/your/tfevents',size_guidance=FalseDict())

对于tb version〉=2.3，你可以使用tensorboard.data.experimental.ExperimentFromDev()简化将tb事件转换为panda Dataframe 的过程。但是，它要求你将日志上传到TensorBoard.dev，这是公开的。有计划在未来将该功能扩展到本地存储日志。https://www.tensorflow.org/tensorboard/dataframe_api

您还可以使用EventFileLoader迭代通过Tensor板文件

from tensorboard.backend.event_processing.event_file_loader import EventFileLoader

for event in EventFileLoader('path/to/events.out.tfevents.xxx').Load():
    print(event)

令人惊讶的是，python包tb_parse还没有被提及。