请计算VGG19网络在单batch且大小为2242243的输入情况下经过每一个池化层后的张量形状大小。调研了解TensorBoard的使用方法并使用TensorBoard将VGG19网络可视化以查看网络信息并验证前面的计算。

经过每一个池化层后的张量形状大小如下：

1. 输入层：（224，224，3）
2. Block1_conv1：（224，224，64）
3. Block1_conv2：（224，224，64）
4. Block1_pool：（112，112，64）
5. Block2_conv1：（112，112，128）
6. Block2_conv2：（112，112，128）
7. Block2_pool：（56，56，128）
8. Block3_conv1：（56，56，256）
9. Block3_conv2：（56，56，256）
10. Block3_conv3：（56，56，256）
11. Block3_conv4：（56，56，256）
12. Block3_pool：（28，28，256）
13. Block4_conv1：（28，28，512）
14. Block4_conv2：（28，28，512）
15. Block4_conv3：（28，28，512）
16. Block4_conv4：（28，28，512）
17. Block4_pool：（14，14，512）
18. Block5_conv1：（14，14，512）
19. Block5_conv2：（14，14，512）
20. Block5_conv3：（14，14，512）
21. Block5_conv4：（14，14，512）
22. Block5_pool：（7，7，512）

对于TensorBoard的使用方法，可以参考TensorFlow官方文档，具体步骤如下：

1. 在代码中引入TensorFlow和TensorBoard库

import tensorflow as tf
from tensorflow.keras.utils import plot_model

2. 构建模型

model = tf.keras.applications.vgg19.VGG19(include_top=True, weights=None, input_tensor=None, input_shape=(224,224,3), pooling=None, classes=1000)

3. 使用plot_model函数将模型可视化并保存为图片

plot_model(model, to_file='VGG19.png', show_shapes=True)

4. 运行TensorBoard并指定日志目录

tensorboard --logdir=path/to/log/directory

5. 在浏览器中打开TensorBoard可视化页面，查看模型结构和详细信息

http://localhost:6006/
``