TensorBoard可视化：TensorFlow提供的一个可视化工具

        TensorBoard是—个基于浏览器的应用程序，可以在本地运行。它是在训练过程中监控模型的最佳方式。

        1.在训练讨程中以可视化方式监控指标;

        2.将模型架构可视化;

        3.将激活函数和梯度的直方图可视化;

        4.以三维形式研究嵌入。

以下是完整的代码：

from __future__ import print_function

import keras.callbacks
import numpy as np
import matplotlib.pyplot as plt
from keras.utils import pad_sequences
from keras.models import Sequential
from keras.layers import Dense, Dropout, Embedding, LSTM, Bidirectional
from keras.datasets import imdb


max_features = 20000
# cut texts after this number of words
# (among top max_features most common words)
maxlen = 100
batch_size = 32
print('Loading data...')
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)
print(len(x_train), 'train sequences')
print(len(x_test), 'test sequences')

print('Pad sequences (samples x time)')
x_train = pad_sequences(x_train, maxlen=maxlen)
x_test = pad_sequences(x_test, maxlen=maxlen)
print('x_train shape:', x_train.shape)
print('x_test shape:', x_test.shape)
y_train = np.array(y_train)
y_test = np.array(y_test)

model = Sequential()
model.add(Embedding(max_features, 128, input_length=maxlen))
model.add(Bidirectional(LSTM(64)))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.summary()
# try using different optimizers and different optimizer configs
# 模型编译
model.compile('Nadam', 'binary_crossentropy', metrics=['accuracy'])
# model.compile('adam', 'binary_crossentropy', metrics=['accuracy'])
# 模型训练
print('Train...')
# 可视化框架：tensorboard 通过命令行输入命令tensorboard --logdir /full_path_to_your_log_dir ,访问网页地址。
tensorboard = keras.callbacks.TensorBoard(
    log_dir="/full_path_to_your_log_dir",
)
history = model.fit(x_train, y_train,
                    batch_size=batch_size,
                    epochs=10,
                    validation_data=[x_test, y_test],
                    callbacks=[tensorboard])
# results输出的第一个数字是测试损失，第二个数字是测试精度。
# results = model.evaluate(x_test, y_test)
# print(results)
print(model.evaluate(x_test, y_test))
# 绘制训练损失和验证损失图像
history_dict = history.history
loss_values = history_dict["loss"]
val_loss_values = history_dict["val_loss"]
epochs = range(1, len(loss_values) + 1)
plt.plot(epochs, loss_values, "bo", label="Training loss")  # "bo"为蓝色圆点
plt.plot(epochs, val_loss_values, "b", label="Validation loss")  # "b"为蓝色实线
plt.title("Training and Validation loss")
plt.xlabel("Epochs")
plt.ylabel("Loss")
plt.legend()
plt.show()

# 绘制训练精度和验证精度图像
plt.clf()  # 清空图像
acc = history_dict["accuracy"]
val_acc = history_dict["val_accuracy"]
plt.plot(epochs, acc, "bo", label="Training acc")
plt.plot(epochs, val_acc, "b", label="validation acc")
plt.title("Training and Validation accuracy")
plt.xlabel("Epochs")
plt.ylabel("Accuracy")
plt.legend()
plt.show()

红色代码块是tensorboard的具体实现，结合callback（）回调函数与fit（）拟合函数来实现。

        接着打开pycharm的配置环境，我是在conda环境下，如图所示。

因此，我应该在anaconda命令行下去操作，输入命令，按下回车键Enter，如图所示。

        

 找到红色区域里的域名地址，复制并浏览器搜索网址，可视化结果如图所示。

 到这里就全部实现了。至于如何去研究tensorboard里面的内容，可以去参考别人的博客文章。